Pythonビジネスパーソンのための人工知能入門の評価
データ更新日:2020-12-22

Python分野での評価

書籍の評価について

簡単に次のような指標から評価を計算しています。

  • ・書籍が紹介されているQiita記事のいいね数と更新日
  • ・書籍が紹介されているサイトのGoogleでの検索順位
  • ・Twitterで書籍に関する最新ツイートのいいね数とリツイート数
  • ・「初心者」や「入門書」など特定のキーワードとコンテンツ(例えばQiitaの記事)の関連性

詳細な評価の計算方法については下記をご覧ください。

書籍の評価について

順位12
総合点2
Qiitaの記事での点数1
Twitterでの点数1

過去の順位の推移

グラフについて

  • ・グラフのデータはぬこぷろで計測した、最大で過去5回分を表示しています。
  • ・「順位」について、次の2点の場合は圏外扱いとしてグラフ上には表示しません。なので、グラフ上では途切れた線が表示されることもあります。
    ①ぬこぷろが書籍の点数を計算する際、点数化の元となる最新のメディア(Qiitaの記事など)に書籍の情報が掲載されていなかった場合。ぬこぷろは最新のメディア情報を収集して書籍の点数を計算するため、過去点数計算した際にその書籍がメディアに掲載されていても、点数計算時にぬこぷろが収集したメディアに書籍情報がなければ圏外扱いとなります。
    ②順位が30位を下回った場合。
  • ・「総合点」が0点なのは上記「順位」の圏外扱いの①とと同様に、ぬこぷろが書籍の点数を計算する際、点数化の元となる最新のメディア(Qiitaの記事など)に書籍の情報が掲載されていなかった場合となります。

基本情報

ISBN-139784839965518
内容世の中で氾濫している「人工知能・AI」という言葉に惑わされないようにするため、人工知能についての正しい知識を身につけ、理解することが必要です。 人工知能分野の発展に貢献しているのが 機械学習・深層学習(ディープラーニング)と呼ばれる技術で「人工知能(AI)を使ってなにかプロジェクトをやってほしい」と言われたとき「ビジネス課題を機械学習・深層学習でどのように解決すればよいか」と置き換えて考えればよいケースがほとんどです。 本書では、あいまいな状態になっているビジネス上の課題を機械学習を試すことのできるような形に課題を書き換えたり、人工知能の代表的な手法である推論・探索、知識表現、機械学習、深層学習の各手法をフレームワークとして考え、実際のビジネスで活用できるといった“AI的思考力”を高める方法を解説していきます。 また人工知能は万能ではなく、ビジネス上における課題は千差万別です。本書の目指すところは「人工知能で解決できるものなのか」を自ら判断し、「人工知能のどの技術を使えばよいのか」が分かるようになることです。 人工知能技術の大部分は数学によって支えられていますが、本書はあくまでも「ビジネスで人工知能を活用するために知っておくべきこと」をまとめたものですので“難しい数式”は一切出てきません(もちろん、プログラミングも)。 『機械学習・深層学習という言葉は聞いたことはあるけれど、よく分からない』『ビジネス課題に適用できる自信がない』『どのように評価すればよいのか検討がつかない』といった方にとって、本書は役に立つはずです。
目次イントロダクション 1 [知識編] 人工知能とは 1.1 そもそも人工知能をつくる目的は?  「面倒くさい」が技術を進歩させる / ビジネスも「効率化」するのではなく「楽」をする 1.2 その人工知能「どの」人工知能?  強い人工知能と弱い人工知能 / 「弱さ」にも種類がある 1.3 知能を得るには知識が必要  思考が早い人工知能 ―第1次ブーム / 何を思考すればいい? / 博識な人工知能 第2次ブーム / あいまいな知識は人間だけのもの / 知識だけで知能はできない 1.4 人間が頑張るから機械が学習するへ  学習とは、パターンに分けること / パターンに分けるとは、知識を身につけること / 学習する人工知能 ―第3次ブーム 2 [実用編] 機械学習:問題を整理し解決する 2.1 問題を整理する  課題のパターンを整理する / 課題設定を整理する 2.2 問題へのアプローチ  人間も機械も、知らないものは知らない / アプローチのときは、三角関係を意識する 2.3 学習を評価する  評価のために未知をつくりだす / 評価の落とし穴に注意 / 数値が悪くても「いい」場合がある / 評価のインパクトは%になる 2.4 推薦問題を考える 3 [発展編] 深層学習というブレイクスルー 3.1 深層学習は「どこが」すごいのか?  特徴を捉えないと予測はできない / 脳みそをモデル化する / テクノロジーの進化は単独では成し得ない 3.2 深層学習は「どこで」すごいのか? 4 [実践編]ビジネスでAIを展開する 4.1 中を育てるのか 外に頼むのか  データサイエンティストなのか 機械学習エンジニアなのか / ブーム最大の貢献は環境が整ったこと 4.2 機械学習に必要なものを知る  (再び)ブーム最大の貢献は環境が整ったこと 4.3 機械学習なのか 統計なのか エピローグ
著者
出版日
出版社マイナビ出版
データ提供元openBD, 国立国会図書館書誌データ
※この書籍はopenBDより取得したデータを元に、国立国会図書館書誌データを補完して掲載しています。