最短突破シリーズ最短突破
ディープラーニングG検定(ジェネラリスト)問題集 第2

[表紙]最短突破 ディープラーニングG検定(ジェネラリスト)問題集 第2版

紙版発売
電子版発売

A5判/412ページ

定価2,728円(本体2,480円+税10%)

ISBN 978-4-297-12926-2

電子版

→学校・法人一括購入ご検討の皆様へ

書籍の概要

この本の概要

問題数を増量! さらに幅広い問題と解説を提供!

AIエンジニア資格「E資格」で圧倒的な合格実績を誇る機械学習・ディープラーニング教育のプロ,株式会社AVILENが執筆。

実践的な演習問題と,分かりやすさを追求した問題解説で,AI・ディープラーニングの仕組みや手法の理解をサポート。G検定合格を目指すあなたに最適な1冊です。

本書の特徴

  • G検定頻出の「AIの社会実装」分野,「ディープラーニングの手法」を中心に問題を増量,旧版より52ページ増量。
  • 旧版で内容の重複する問題を極力削り,新たなトピックを加え,バリエーション豊かな問題に再構成。
  • 解説だけで206ページののボリューム。解説が丁寧でわかりやすく,機械学習や深層学習の仕組みからしっかりと理解できる。
  • 豊富な図や表で読みやすく,イメージしやすい設計。
  • 重要なキーワードを押さえた「用語解説」を各章に記載。試験前の見直しに最適。
  • 最新の傾向にも対応。

こんな方におすすめ

  • 一般社団日本ディープラーニング協会主催のG検定(ジェネラリスト)を受験する方
  • AI技術者
  • ディープラーニングやAI技術の概要をつかみ,ビジネスで活かしたい方

本書購入特典(株式会社AVILEN提供)

本書を購入いただいた読者様限定で「G検定オンライン模試」を1回分プレゼント。オンラインで試験を受けることができ,制限時間内に解く体験は実際の試験の練習に最適です。ぜひ書籍での学習の集大成にご利用ください。

著者プロフィール

株式会社AVILEN(かぶしきがいしゃアヴィレン)

日本ディープラーニング協会正会員,データサイエンティスト協会一般会員

AVILENは,AI・機械学習に関連するビジネスの人材育成から技術開発まで一気通貫で支援するサービスを提供。これまで立ち上げから開発まで多くのAIプロジェクトに参画してきた実績を持つ。

E資格の認定プログラムも開講しており,最高品質の講義は他社の追随を許さない高い合格率を達成(2021#1~2021#1の3期平均で90.4%)。G検定の対策講座も実施。

また,データサイエンティストとジャーナリストが監修するAI特化型メディア「AVILEN AI Trend」を運営。

ホームページ:https://avilen.co.jp/

この書籍に関連する記事があります!

データサイエンティストへの登竜門!DS検定の紹介
私たちの身の回りは,データに溢れています。データが蓄積されるにつれ,有効に活用し,課題を解決に導くスペシャリストが求められるようになりました。データサイエンティスト検定(DS検定)は,こうした状況の中でデータサイエンティストとして活躍していくために必要なスキルを持っているか証明する試験です。

本書のサンプル

本書の一部ページを,PDFで確認することができます。

本書の紙面イメージは次のとおりです。画像をクリックすることで拡大して確認することができます。

サンプル画像1

サンプル画像2

サンプル画像3

サンプル画像4

サンプル画像5

目次

第1章 人工知能(AI)とは

  • 1.1 人工知能の定義
  • 1.2 人工知能の歴史

第2章 人工知能をめぐる動向と問題

  • 2.1 探索・推論
  • 2.2 知識表現
  • 2.3 機械学習
  • 2.4 人工知能における問題

第3章 数理統計・機械学習の具体的手法

  • 3.1 代表的な手法
    • 学習の種類
    • 教師あり学習
    • 教師なし学習
    • 強化学習
  • 3.2 教師あり学習の代表的な手法
    • 線形回帰
    • 正則化
    • ロジスティック回帰
    • サポートベクターマシン
    • 決定木
    • 時系列モデル
    • 疑似相関
    • ランダムフォレスト
    • 勾配ブースティング
    • アンサンブル学習
    • ベイズの定理
    • 最尤推定
  • 3.3 教師なし学習の代表的な手法
    • k-means法
    • 階層的クラスタリング
    • リコメンデーションアルゴリズム
    • 主成分分析
    • 特異値分解
    • データの視覚化
  • 3.4 手法の評価
    • データの扱い
    • 交差検証法
  • 3.5 評価指標
    • 回帰
    • 分類
    • モデル自体の評価

第4章 ディープラーニングの概要

  • 4.1 ニューラルネットワークとディープラーニング
  • 4.2 事前学習によるアプローチ
  • 4.3 ハードウェア

第5章 ディープラーニングの手法(1)

  • 5.1 活性化関数
  • 5.2 学習の最適化
    • 学習と微分
    • 勾配下降法
    • 学習率
    • 鞍点
    • SGD
    • モーメンタム
    • 最新の最適化手法
    • ハイパーパラメータチューニング
  • 5.3 さらなるテクニック
    • 過学習
    • 二重降下現象
    • ドロップアウト
    • early stopping
    • データの正規化
    • 重みの初期値
    • バッチ正規化
  • 5.4 CNN:畳み込みニューラルネットワーク
    • 画像データの扱い
    • 畳み込み
    • プーリング
    • 全結合層
    • 畳み込み層の派生
    • データ拡張
    • NAS
    • 転移学習
    • CNNの初期モデル
  • 5.5 RNN:リカレントニューラルネットワーク
    • RNNの基本形
    • LSTM 問題
    • RNNの発展形
    • Attention
  • 5.6 強化学習の特徴
  • 5.7 深層強化学習
  • 5.8 深層生成モデル

第6章 ディープラーニングの手法(2)

  • 6.1 画像認識
    • CNNの代表モデル
    • 物体検出
    • セグメンテーション
    • OpenPose
    • Efficient Net
    • 学習の発展
  • 6.2 自然言語処理
  • 6.3 音声認識
  • 6.4 強化学習
  • 6.5 生成モデル
  • 6.6 自動運転

第7章 ディープラーニングの社会実装に向けて

  • 7.1 AIと社会
  • 7.2 プロダクトの設計
  • 7.3 データの収集
  • 7.4 データの加工・分析・学習
  • 7.5 プロダクトの実装・運用・評価
  • 7.6 AIと法律・制度