書籍TOP
工事担任者試験
その他資格・検定
通信・ネットワーク
コンピュータ
ビジネス
その他

≪バックナンバー購入≫
テレコミュニケーション
コールセンタージャパン

データダウンロード
正誤表一覧


支払方法・送料
問い合わせ先
特商法による表示
買物カゴを見る






  Google Cloud Platform ではじめる
機械学習と深層学習
 

入門から、「TensorFlow」による
畳み込みニューラルネットワークへの
本格チャレンジまで
吉川隼人 著
B5変型判 320ページ
定価:2,600円+税
ISBN:978-4-86594-121-0
2017年12月上旬刊行
Googleは、機械学習に有用な様々な優れた環境を、Google Cloud Platformというクラウド上で提供しています。本書は、Googleの提供するこの各種ツール・APIを活用し、実際に機械学習の環境やデータに触れながら、その原理と動作を体験的に学ぶことができる入門書です。
購入する


■対象読者

・機械学習に初めて取り組むエンジニア
・数学が苦手
・ツールとしてだけでなく、原理も学びたい
・学びだけでなく実践につなげたい


■Googleの優秀な機械学習環境を活用

Googleは、機械学習にも有用な優れた環境をGoogle Cloud Platform(GCP)上で提供しており、特にDatalabはブラウザ上でPythonのコードを実行でき、グラフ・表を出力できるほか、ビッグデータを高速で処理するBigQueryや便利な各種APIにも簡単にアクセスできるツールです。
本書では、GCPへのアクセスから、Datalab等の使い方、様々なAPIの特徴や活用法を案内します。その上で、これらを通じて、Googleが膨大なリソースを使い、初めから用意している機械学習環境にアクセスし、高度な機能と豊富な資源を十分に活用できるよう読者を導いていきます。


■機械学習の基礎から、Tensorflow活用に至る深層学習体験まで

本書の学習では、数式はほとんど使わず、簡単なコードとそのグラフィカルな実行結果により、理解を深めていきます。
まずは識別の基礎から入り、各種識別関数を通じて機械学習の原理や手法を学びます。
続いて、実践的にデータを扱いながら、データの評価方法やチューニングを学び、さらに深層学習(ディープラーニング)へと進んでいきます。
深層学習では、画像識別による具体例から始まり、より高度なニューラルネットワークまで学んだ後、実際にGoogleの深層学習用ライブラリー(TensorFlow)を使ってニューラルネットワークをモデリングする方法を学びます。
最後に、画像識別を代表するCNN(畳み込みニューラルネットワーク)の実装法を学び、実運用の入り口へと案内します。


■著者プロフィール

吉川 隼人(よしかわ はやと)

1982年宮城県生まれ。東京理科大学大学院基礎工学研究科修士課程終了。
学生時代は研究機関にて半導体の研究に従事。2007年富士ゼロックス株式会社入社後、画像処理ASIC/FPGA の開発プロジェクト、アジアパシフィック圏でのクラウドによるソリューション展開などを経験。
現在、同社にてIoT データ解析や機械学習を用いた新規技術開発などを行う。


■本書の主な内容
●PartⅠ GCPと機械学習
1 GCPを使ってみよう
1.1 GCPの概要
1.2 アカウントとプロジェクトの作成
1.3 Cloud Shell
1.4 Google Compute Engine
1.5 Google Cloud Storage
1.6 BigQuery
2 Datalabを使ってみよう
2.1 Datalabクイックツアー
2.2 numpyとpandas
2.3 DatalabとBigQueryの連携
2.4 Datalabで様々なグラフ描画
3 GCPでお手軽、機械学習
3.1 GCPの機械学習関連サービス
3.2 Cloud Vision API
3.3 Cloud Translation API
3.4 Cloud Natural Language API
●PartⅡ 識別の基礎
4 2クラスの識別
4.1 単純な識別
4.2 機械学習の導入
4.3 パーセプトロン
4.4 損失関数
4.5 ロジスティック回帰
5 多クラスの識別と様々な識別器
5.1 scikit-learnクイックツアー
5.2 多クラスのロジスティック回帰
5.3 サポートベクターマシン
5.4 ランダムフォレスト
6 データの評価方法とチューニング
6.1 基本的な学習のフロー
6.2 学習とテスト
6.3 データの評価
6.4 パラメータチューニング
●PartⅢ ディープラーニング入門
7 ディープラーニングの基礎
7.1 画像の識別
7.2 ニューラルネットワーク
7.3 活性化関数
7.4 多クラスの対応
7.5 様々な勾配降下法
7.6 TensorFlowの準備
7.7 ニューラルネットワークの実装
7.8 DNNClassifierで簡単学習
7.9 TensorBoard 学習結果の確認
8 CNN(畳み込みニューラルネットワーク)
8.1 これまでの画像識別の問題点
8.2 畳み込み層
8.3 畳み込み演算の種類とプーリング層
8.4 TensorFlowで2層CNNを実装
付録
1 Python2の基本的な使い方
2 Jupyterのセットアップ