Python による AI プログラミング入門

ディープラーニングの前に身につけておきたい AI 技術の入門書!
近年ディープラーニングが爆発的人気となっています。しかし、人工知能の手法はディープラーニングに限りません。過去の AI ブームの単純なニューラルネットや論理的プログラミングもあれば、遺伝的アルゴリズム、自然言語処理、音声信号処理や、画像からの動物体検出、分類問題、回帰問題、連続データ解析、強化学習といった、古典的なデータ解析や機械学習の手法もあります。これらはディープラーニングを始める前に身につけておくべき基礎技術です。「鶏を割くに焉んぞ牛刀を用いん」の諺のように、読者がデータ収集や計算コストがかかるディープラーニングの他にも適材適所の手法を選択できるよう、本書ではさまざまな人工知能の関連分野を扱いながら、Python でよく使われるライブラリの基本的な使い方を解説します。

人工知能の手法はディープラーニングだけではありません。『Python による AI プログラミング入門』 (Prateek Joshi 著、相川 愛三 訳、オライリー・ジャパン、2019 年 3 月 20 日発行、発売 オーム社) は、原書 Artificial Intelligence with Python の日本語版で、分類と回帰、クラスタリング、探索、論理プログラミング、遺伝的アルゴリズム、自然言語処理、音声認識、物体検出、強化学習といった人工知能の関連分野を、Python のよく使われるライブラリとともに一通り試していく入門書です。副題は「ディープラーニングを始める前に身につけておくべき 15 の基礎技術」で、版元の紹介文は、データ収集や計算コストのかかるディープラーニングのほかにも、読者が適材適所の手法を選べるようにすることを本書の狙いに挙げています。

教師あり学習から推薦エンジンまでの 2 章から 5 章

1 章は人工知能の概要で、チューリングテスト、合理的なエージェント、一般問題解決器といった考え方を整理したあと、Ubuntu、macOS、Windows での Python 3 のインストールとパッケージの導入、データの読み込みまでを扱います。2 章からが各論です。2 章は教師あり学習による分類と回帰で、データの前処理、ロジスティック回帰、単純ベイズ分類器、混同行列、サポートベクターマシン、多項式回帰、サポートベクター回帰による住宅費の推定へ進みます。3 章はアンサンブル学習で、決定木、ランダムフォレストと ERT、クラスの不均衡への対処、グリッドサーチによるパラメーター最適化、交通量予測を取り上げ、4 章は k-平均法、Mean Shift、混合ガウスモデル、Affinity Propagation による教師なし学習、5 章は k-近傍法と協調フィルターによる推薦エンジンです。データが数千件の表形式で、特徴量の意味も分かっている場面では、こうした古典的な手法のほうが少ないデータと計算量で十分な精度を出し、なぜその予測になったかも説明しやすいという利点があります。

論理プログラミング、探索、遺伝的アルゴリズムで解く問題

6 章から 9 章は、データから学ぶのではなく、規則や探索で解を求める系統の手法です。6 章の論理プログラミングは数式の照合、素数の判定、家系図の解析、パズルの解法を、7 章のヒューリスティック探索は制約充足問題、焼きなまし法を含む局所探索、4 色問題、8 パズル、迷路の解法を扱います。8 章は遺伝的アルゴリズムで、ビットパターンの生成から関数同定問題、知的ロボット制御へ進み、9 章ではミニマックス法、アルファ・ベータ法、ネガマックス法を easyAI ライブラリで三目並べなどのゲームに当てはめます。解の候補をどう並べ、どの順に調べ、どこで打ち切るかという考え方は、スケジュールの割り当てや経路の計画のように、正解の例を大量に集められない問題で役に立ちます。巻末の付録 A も、4 色問題を地図の塗り分けとして解く内容です。

言語、音声、画像からニューラルネットと強化学習へ

10 章以降は扱うデータの種類が広がります。10 章は自然言語処理で、トークン化、ステミングとレンマ化、BoW モデル、感情分析、LDA によるトピックモデル、11 章は Pandas による時系列データの処理と隠れマルコフモデル、CRF、12 章は音声信号の周波数領域変換から発話語の認識、13 章はフレーム差分、背景差分、オプティカルフロー、顔検出と目の検出です。14 章は人工ニューラルネットワーク、15 章は強化学習、16 章は畳み込みニューラルネットを用いたディープラーニングで、本書はここで終わります。13 章は映像から動くものを切り出す処理を、画素の差分や色空間といった古典的な画像処理で組み立てる章で、その土台に画像処理ライブラリの OpenCV を据えていると読めます。強化学習 は正解のラベルではなく報酬を手がかりに行動を学ぶ枠組みで、15 章には教師あり学習との違いを扱う節が置かれています。1 章の概要を除いた 2 章から 16 章の 15 章が、副題の 15 の基礎技術に当たると読めます。

ディープラーニングの前に手法の引き出しを増やしたい人へ

向いているのは、ディープラーニング から学び始める前に、あるいは学び始めたあとで、問題に応じて別の手法を選べるようになりたい人です。1 章ごとにテーマが変わるため、一つの手法を数式から深く理解したい人や、一つのライブラリを使いこなしたい人には、分野ごとの専門書のほうが合います。2019 年刊の本なので、コードは刊行時点のライブラリを前提にしており、版元のページで公開されているサンプルコードと正誤表を手元に置いて進めると安心です。機械学習の本の全体の選び方は 機械学習 / ディープラーニング本ガイド にまとめています。どの問題にどの手法を当てるかの見取り図を、Python のコードで確かめながら手に入れたい人にとって、本書は守備範囲を広げる一冊になります。