Python で動かして学ぶ! あたらしい深層学習の教科書 機械学習の基本から深層学習まで

【本書の概要】
本書は株式会社アイデミーで大人気の講座『ディープラーニングで画像認識モデルを作ってみよう!』を書籍化したものです。
機械学習の基本からはじまり、Python の基礎、データの処理、深層学習の基本から応用ついて、
サンプルを元に実際に動かしながら、わかりやすく解説します。
各項には練習問題がありますので、学習効果を確かめながら読む進めることができます。
本書を読めば、機械学習から深層学習の基本を一気通貫で学習できます。
これから深層学習をはじめたい、初学者の方におすすめの 1 冊です。

【本書の対象】
人工知能関連の開発に携わる初学者 (開発者、研究者、理工系学生)

【本書の構成】
第 1 章から第 3 章で機械学習の基本を、
第 4 章から第 6 章では Python の基礎知識を、
第 7 章から第 9 章では NumPy や Pandas の基礎知識を、
第 10 章から第 13 章では可視化の基礎知識を、
第 14 章から第 15 章ではデータの扱い方の基本を、
第 16 章から第 18 章では教師あり学習やハイパーパラメータとチューニングを、
第 19 章から第 22 章では深層学習について基本か応用まで、
丁寧に解説します。

【著者プロフィール】
石川 聡彦 (いしかわ・あきひこ)
株式会社アイデミー 代表取締役社長 CEO。
東京大学工学部卒。株式会社アイデミーは 2014 年に創業されたベンチャー企業で、
10 秒で始める先端テクノロジー特化型のプログラミング学習サービス「Aidemy」を提供。
様々な企業のアプリケーション制作・データ解析を行った。現在の主力サービス「Aidemy」は
AI やブロックチェーンなどの先端テクノロジーに特化したプログラミング学習サービスで、
リリース 100 日で会員数 10,000 名以上、演習回数 100 万回以上を記録。
早稲田大学主催のリーディング理工学博士プログラムでは、AI プログラミング実践授業の講師も担当した。
著書に『人工知能プログラミングのための数学がわかる本』 (KADOKAWA/2018 年) などがある。

Introduction Aidemy で機械学習・深層学習を学ぶ
Prologue 開発環境の準備
第 1 章 機械学習概論
第 2 章 機械学習の流れ
第 3 章 性能評価指標
第 4 章 Python の基礎
第 5 章 Python の基本文法
第 6 章 関数の基礎
第 7 章 NumPy
第 8 章 Pandas の基礎
第 9 章 Pandas の応用
第 10 章 データ可視化のための準備
第 11 章 matplotlib の使い方
第 12 章 様々なグラフを作る
第 13 章 lambda や map などの便利な Python 記法
第 14 章 DataFrame を用いたデータクレンジング
第 15 章 OpenCV の利用と画像データの前処理
第 16 章 教師あり学習 (分類) の基礎
第 17 章 ハイパーパラメータとチューニング (1)
第 18 章 ハイパーパラメータとチューニング (2)
第 19 章 深層学習の実践
第 20 章 深層学習のチューニング
第 21 章 CNN を用いた画像認識の基礎
第 22 章 CNN を用いた画像認識の応用

深層学習を学びたいのに、Python もデータの扱い方もまだおぼつかない。そうした段階の学習者が、機械学習の基本から CNN による画像認識までを 1 冊で通して学べるように作られたのが『Python で動かして学ぶ! あたらしい深層学習の教科書』 (石川 聡彦 著、翔泳社、2018 年 10 月刊) です。副題は「機械学習の基本から深層学習まで」で、著者が刊行時に代表取締役を務めていた株式会社アイデミーの講座『ディープラーニングで画像認識モデルを作ってみよう!』を書籍化したものと版元は説明しています。対象として案内されているのは、人工知能関連の開発に携わる初学者 (開発者、研究者、理工系学生) です。

全 22 章の構成、機械学習の流れから CNN の画像認識まで

冒頭の Introduction と Prologue「開発環境の準備」に続いて、本文は全 22 章です。第 1 章から第 3 章は機械学習概論、機械学習の流れ、性能評価指標という機械学習の基本、第 4 章から第 6 章は Python の基礎と基本文法、関数の基礎です。第 7 章から第 9 章で NumPy と pandas、第 10 章から第 13 章でデータ可視化の準備と matplotlib、さまざまなグラフの作り方、lambda や map などの Python 記法を扱います。第 14 章は DataFrame を用いたデータクレンジング、第 15 章は OpenCV の利用と画像データの前処理で、第 16 章から第 18 章が教師あり学習 (分類) の基礎とハイパーパラメーターのチューニングです。最後の第 19 章から第 22 章で 深層学習 の実践とチューニングを扱い、CNN を用いた画像認識の基礎と応用で締めくくります。版元の紹介文によれば、各項には練習問題が置かれ、学習の効果を確かめながら進められる作りです。

データ準備と評価指標を先に固める構成の意味

目次を見て目を引くのは、深層学習そのものの章が全体の終盤に置かれ、その手前に Python、NumPy、pandas、可視化、データクレンジング、画像の前処理が長く続く点です。これは遠回りではありません。機械学習の実務では、モデルの設計よりも、データを読み込んで欠損や表記の揺れを整え、学習に使える形へ変換する工程に多くの時間がかかります。配列の形をそろえる、画素値を正規化する、学習用と評価用にデータを分けるといった処理を自分で書けないうちは、ニューラルネットワーク の層を積んでも、結果が良いのか悪いのかを判断できません。また、性能評価指標の章を第 3 章という早い位置に置き、深層学習の前に教師あり学習とハイパーパラメーターの調整を学ぶ順序にも意味があります。正解率だけでは見えない偏りを適合率や再現率で読み取る感覚や、パラメーターを変えて汎化性能を比べる手順は、深層学習でもそのまま使う道具だからです。

2018 年刊という前提と、扱わない範囲

本書は 2018 年 10 月の刊行で、サンプルコードは刊行当時のライブラリと実行環境を前提にしています。Python のライブラリは版が上がると関数の引数や既定値が変わることがあるため、手元で動かす際に表示や挙動が書籍と異なる場面は想定しておくほうが安全です。目次から読み取れる範囲では、深層学習の題材は画像認識の CNN に絞られており、時系列データや自然言語の処理、生成モデルを扱う章はありません。ニューラルネットワークの計算を NumPy だけで一から組み立てて原理を追う系統の本とも性格が異なり、本書はサンプルを動かしながら機械学習全体の流れをつかむことに重心があります。原理を数式から理解したい場合や、目的別に別の系統の本を選びたい場合は、ディープラーニング本の選び方 で全体を整理してから選ぶと回り道を減らせます。

Python 入門から画像認識まで 1 冊で通したい初学者へ

本書が力を発揮するのは、Python の入門書と機械学習の入門書と深層学習の入門書を別々に買いそろえる前に、1 本の筋で全体を見渡したい人です。データを整えて分類器を作り、評価指標で性能を測り、最後に CNN で画像を分類するところまでを練習問題付きで順に追えるため、読み終えた段階で「機械学習のプロジェクトで何をどの順に行うのか」を自分の言葉で説明できるようになることが期待できます。プログラミング経験が浅く、何から手を付ければよいか迷っている開発者や理工系の学生にとって、学習の道筋そのものを買う一冊として検討する価値があります。