AIエンジニアのための
統計学入門

【著者紹介】

【目次】

第１章　AIと統計学の関わり

1. １.１　AIと機械学習の違い
2. １.２　「教師あり学習」と「教師なし学習」
3. １.３　AIと統計学
4. １.４　AIの実用例
5. １.５　AIの活用について
6. １.６　なぜ「AIと統計学」なのか
7. １.７　本書で扱う統計学の内容
8. １.８　本章のまとめ

第２章　AIを実践的に扱うために

1. ２.１　ソフトウェア（プログラミング言語）
   1. ２.１.１　Matlab®
   2. ２.１.２　R言語
   3. ２.１.３　Python
   4. ２.１.４　R言語とPythonの差
   5. ２.１.５　SONY Neural Network Console
2. ２.２　ハードウェア
3. ２.３　Raspberry Piとの連携
4. ２.４　本章のまとめ

第３章　確率の基本

1. ３.１　確率とは
2. ３.２　試行と事象
3. ３.３　順列組み合わせ
4. ３.４　期待値
5. ３.５　離散確率分布と連続確率分布
6. ３.６　分散と標準偏差
7. ３.７　確率密度関数
8. ３.８　正規分布について
9. ３.９　二項分布
10. ３.10　ポアソン分布
11. ３.11　本章のまとめ

第４章　ベイズ推定と最尤推定

1. ４.１　条件付き確率
2. ４.２　ベイズの定理
3. ４.３　ベイズ推定とは
4. ４.４　最尤推定
5. ４.５　本章のまとめ

第５章　微分・積分の基本

1. ５.１　極限とは
2. ５.２　微分とは
3. ５.３　導関数
4. ５.４　積分とは
   1. ５.４.１　不定積分とは
   2. ５.４.２　定積分とは
   3. ５.４.３　積分の意味
5. ５.５　微分と積分の関係～位置、速度、加速度から～
6. ５.６　本章のまとめ

第６章　線形代数の基本

1. ６.１　ベクトルとは
2. ６.２　内積
3. ６.３　行列とは
4. ６.４　特殊な行列
5. ６.５　行列の基本演算
6. ６.６　行列の性質
7. ６.７　逆行列
8. ６.８　固有値と固有ベクトル
9. ６.９　行列の対角化
10. ６.10　本章のまとめ

第７章　重回帰分析とは

1. ７.１　相関とは
2. ７.２　相関係数の意味
3. ７.３　重回帰分析
4. ７.４　実際の例
5. ７.５　最小二乗推定とAIの関係性
6. ７.６　本章のまとめ

第８章　最適化問題の基礎

1. ８.１　最適化問題とは？
2. ８.２　凸最適化問題
3. ８.３　凸関数の定義
4. ８.４　機械学習における目的関数とは
5. ８.５　勾配降下法
6. ８.６　目的関数は凸関数か？
7. ８.７　本章のまとめ

第９章　ここまでの話が、なぜAIに繋がるのか？

【参考文献】

第1章

• 西田豊明: 人工知能研究半世紀の歩みと今後の課題, 情報管理, 55(7) , pp.461-471, 2012.
• 総務省: 平成28年版情報通信白書、
  http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h28/pdf/index.html
  （最終アクセス日: 2019年7月20日）
• AI人工知能テクノロジー,
  https://newtechnologylifestyle.net/
  （最終アクセス日: 2019年7月20日）
• Lifehacker: Google Homeで複数のカレンダーを管理できるようになりました,
  https://www.lifehacker.jp/2017/12/171208-how-to-manage-multiple-calendars-with-google-home.html
  （最終アクセス日: 2019年7月20日）
• INTERNET Watch: 呼びかけにどう応答しているのか？ Amazon EchoやGoogle Homeが動く仕組み,
  https://internet.watch.impress.co.jp/docs/column/nettech/1107574.html
  （最終アクセス日: 2019年7月20日）
• SmartHacks Magazine: AIスピーカーとは？概要や種類、できることを分かりやすく解説,
  https://smarthacks.jp/mag/22891
  （最終アクセス日: 2019年7月20日）
• 児島隆生, 長田健一, 伊藤浩朗, 堀田勇樹, 広津鉄平, 小野豪一: 「つながるクルマ」 で実現する自動運転技術 自動運転の高度化を支える知能化技術, 日立評論, 99(5) , pp.52-56 (2017).
• 未来コトハジメ: 「運転シーン」 のAI認識で予測精度向上へ,
  https://project.nikkeibp.co.jp/mirakoto/atcl/buzzword/h_vol18/
  （最終アクセス日: 2019年7月20日）
• 大野耕太郎, 山田悟史: Deep Learningを用いた画像生成AIの建築都市デザイン分野への適用可能性, 日本建築学会・情報システム技術委員会第41回情報・システム・利用・技術シンポジウム2018予稿集, 報告H81, p.246-249 (2018).
• DataGrid: アイドル自動生成AIを開発,
  https://datagrid.co.jp/all/release/33/
  （最終アクセス日: 2019年7月20日）
• 新村秀一: 意思決定支援システムの鍵, 講談社BLUE BACKS (1993).
• 株式会社ヒトラボジェイピー: 最新の心理学とテクノロジーを利用,
  https://hitolab.jp/human-resources/
  （最終アクセス日: 2019年7月20日）
• Stockmark: AIでなぜ売れた・売れなかったのかを解析する 「Asales」 をリリース／営業現場を効率化し、営業企画の意思決定プロセスを高速化,
  https://stockmark.ai/2018/11/30/423/
  （最終アクセス日: 2019年7月20日）
• 総務省: 人工知能 （AI） の現状と未来, 平成28年度情報通信白書第1部第2節, pp.232-241（2016）.
• sinyblog: これだけはまず覚えよう！データ前処理の正規化【入門者向け】,
  https://sinyblog.com/deaplearning/preprocessing_001/
  （最終アクセス日: 2019年9月7日）
• Avinton: 機械学習入門者向け Naive Bayes （単純ベイズ） アルゴリズムに触れてみる,
  https://avinton.com/academy/naive-bayes/
  （最終アクセス日: 2019年9月7日）
• codExa. 機械学習 線形回帰入門,
  https://www.codexa.net/linear-regression-for-beginner/
  （最終アクセス日: 2019年9月7日）
• スキルアップAI, 機械学習・ディープラーニングのための最適化基礎,
  https://skillupai.doorkeeper.jp/events/76873
  （最終アクセス日: 2019年9月7日）
• MathWorks: 機械学習入門,
  https://jp.mathworks.com/solutions/machine-learning/resources.html
  （最終アクセス日: 2019年7月20日）
• MathWorks: Safe and Dynamic Driving towards Vision Zero,
  https://jp.mathworks.com/videos/traffic-sign-recognition-for-driver-assistance-systems-108102.html
  （最終アクセス日: 2019年7月20日）
• Seth DeLand: Analyzing Fleet Test Data using MATLAB,
  https://jp.mathworks.com/videos/analyzing-fleet-test-data-using-matlab-99496.html
  （最終アクセス日: 2019年7月22日）
• 統計科学研究所: R言語とは,
  https://statistics.co.jp/reference/software_R/software_R.html
  （最終アクセス日: 2019年7月22日）
• 森重ゆう: 「R」 でGPUを使ってみた,
  https://www.nttpc.co.jp/gpu/article/benchmark05.html
  （最終アクセス日: 2019年7月22日）
• codExa: なぜ機械学習にPythonが使われるのか？機械学習でPythonが使われる4つの理由,
  https://www.codexa.net/why-use-python-for-machine-learning/
  （最終アクセス日: 2019年7月22日）
• HELLO CYBERNETICS, 【PyTorch、Chainer、Keras、TensorFlow】ディープラーニングのフレームワークの利点・欠点【2017年10月更新】,
  https://www.hellocybernetics.tech/entry/2017/05/15/063753#Chainer
  （最終アクセス日: 2019年7月29日）
• 技術雑記, 【WinPython】使い方・設定まとめ,
  https://algorithm.joho.info/programming/python/winpython/
  （最終アクセス日: 2019年10月19日）
• Qiita, なぜ機械学習にPythonが選ばれるのか,
  https://qiita.com/yaju/items/5502115d7e3d06e6bbdd
  （最終アクセス日: 2019年7月29日）
• TECH PLAY, RとPythonは使いよう,
  https://techplay.jp/column/307
  （最終アクセス日: 2019年7月29日）
• SONY, Neural Network Console,
  https://dl.sony.com/ja/
  （最終アクセス日: 2019年7月29日）
• TechFactory, ソニー 「Neural Network Console」 が複数GPUでの高速化に対応,
  https://techfactory.itmedia.co.jp/tf/articles/1806/04/news009.html
  （最終アクセス日: 2019年7月29日）
• nVIDIA® DEVELOPER, CUDA GPUs,
  https://developer.nvidia.com/cuda-gpus
  （最終アクセス日: 2019年7月29日）
• nVIDIA®, GEFORCE GTX 1060,
  https://www.nvidia.com/ja-jp/geforce/products/10series/geforce-gtx-1060/
  （最終アクセス日: 2019年7月29日）
• 谷川耕一, 企業がゲーミングPCをたくさん買う不思議―ディープラーニング活用の鍵はGPUにあり, EnterpriseZine,
  https://enterprisezine.jp/dbonline/detail/7944
  （最終アクセス日: 2019年7月29日）
• パソコン工房, 第8世代インテル Core i7とGeForce GTX 1080搭載17型ディープラーニング専用パソコン,
  https://www.pc-koubou.jp/products/detail.php?product_id=626603&pre=bct4129_bnr
  （最終アクセス日: 2019年7月29日）
• Qiita, Raspberry Pi 深層学習ライブラリで物体認識 （Keras with TensorFlow・Open CV）,
  https://qiita.com/PonDad/items/c5419c164b4f2efee368
  （最終アクセス日: 2019年7月29日）
• 越智岳人, ネット論争に終止符!? 「きのこたけのこ判別機」 がかわいい, fabCross
  https://fabcross.jp/topics/mft2014_future/20141119_kinoko_takenoko_01.html
  （最終アクセス日: 2019年7月29日）
• GeekOut, 「ディープラーニング×きゅうり」 の可能性に、たったひとりで取り組むエンジニア,
  https://geek-out.jp/column/entry/2017/11/23/110000/
  （最終アクセス日: 2019年10月19日）
• Digital Innovation Lab, キュウリをAIで判定するシステムを農家が自ら開発、足りない部品は3Dプリンターで作成も,
  http://digital-innovation-lab.jp/kyuri-ai/
  （最終アクセス日: 2019年10月19日）
• 高校生の苦手解決Q&A,
  https://kou.benesse.co.jp/nigate/math/a14m0518.html
  （最終アクセス日:2019年11月30日）
• 確率入門,
  https://wwws.kobe-c.ac.jp/deguchi/sc180/info/prob.html
  （最終アクセス日:2019年7月29日）
• 横田壽,確率論入門,
  http://www.geil.co.jp/MULTIMEDIA/probpub.pdf
  （最終アクセス日:2019年7月29日）
• ともよし塾＋,
  http://tomoyoshi-juku.com/jun-retsu-kumi-awase/
  （最終アクセス日:2019年11月30日）
• アタリマエ！,
  https://atarimae.biz/archives/11665
  （最終アクセス日:2019年11月30日）
• 高校数学の美しい物語,
  https://mathtrain.jp/pmitsudo
  （最終アクセス日:2019年11月30日）
• 高校物理の備忘録,
  https://physnotes.jp/
  （最終アクセス日:2019年7月29日）
• 高校数学の美しい物語:
  https://mathtrain.jp/bayesinfer
  （最終アクセス日: 2019年10月5日）
• 野口悠紀雄, AIで用いられるベイジアンアプローチ,
  https://note.mu/yukionoguchi/n/n05665b2a9516
  （最終アクセス日: 2019年10月5日）
• 伊庭幸人: ベイズ統計超速習コース, 岩波データサイエンス vol.1, pp.6-16 （2005）
• 萩原淳一郎, 瓜生真也, 牧山幸史: 基礎からわかる時系列分析―Rで実践するカルマンフィルタ・MCMC・粒子フィルタ―, 技術評論社 （2018）
• サイエンスライター鈴木友のブログ:
  http://blog.livedoor.jp/szukiyu/archives/31930528.html
  （最終アクセス日: 2019年10月5日）
• 高校数学の美しい物語,
  https://mathtrain.jp/diagonalization
  （最終アクセス日: 2019年9月30日）
• 阿部圭司, ABEK@WASEDA University,
  http://www.aoni.waseda.jp/abek/
  （最終アクセス日: 2019年8月15日）
• 自動車技術ハンドブック3 人間工学編, 公益社団法人自動車技術会, 東京 （2016）
• ニューラルネットのための最適化数学:
  https://www.hellocybernetics.tech/entry/2017/01/16/011113
  （最終アクセス日: 2019年9月19日）
• AIZINE:AI （人工知能） で必要な数学のレベルってどれくらい？調べてみた,
  https://aizine.ai/mathematics-1207/
  （最終アクセス日:2019年11月23日）
• 尾崎隆:機械学習をやる上で必要な数学とは、どの分野のどのレベルの話なのか （数学が大の苦手な人間バージョン）,
  https://tjo.hatenablog.com/entry/2018/04/24/190000
  （最終アクセス日:2019年11月25日）
• ChainerTutorial,
  https://tutorials.chainer.org/ja/13_Basics_of_Neural_Networks.html
  （最終アクセス日:2019年11月25日）

【口コミ】