內容簡介
★用「關鍵字」掌握重點！
從AI工程師到相關行業的營業員
以及商務人士都能高效理解！
監督式學習
非監督式學習
強化學習
CNN
RNN
BERT
NLP
語料庫
Transformer
GPT-3
VAE
GAN
通用性能
圖像分割
線性迴歸模型
決策樹
隨機森林
XGBoost
邏輯迴歸模型
k-NN
k-means演算法
★最完整的AI通識入門寶典！
除了上述的AI關鍵字之外，還搭配大量圖表、範例深入淺出解說。
只要讀完這本書，就能全方位掌握AI的原理與應用方式!!
★和日本多位人工智慧專家
一起學習、認識AI！
從AlphaGo、Deepfake到ChatGPT，
AI與其相關技術已是現代人日漸仰賴的存在。
透過本書，我們便可高效習得和AI有關的知識，
並對未來的趨勢有更清晰的洞見。
本書特色
由多位日本AI專家共同執筆
一本就能掌握最完整的AI原理與應用
列表資料、圖像辨識、機器學習演算法X完整圖解介紹
豐富的圖表解析X專題實作
作者介紹
作者簡介
高橋海渡（Takahashi Kaito）
第1、2章的主筆。曾在AI供應商從事新事業開發和研究機構的AI體驗講師。現為開發者，從事機器學習模型的製作和Web開發工作。
立川裕之（Tachikawa Hiroyuki）
第6章的主筆。獨立資料分析顧問。
曾任事業公司的法人銷售員和SaaS的商務主任，後參與籌劃了株式會社DataMix。以資料分析顧問和研修講師等身份參與過各種項目後獨立。現從事資料分析顧問、演算法開發、資料整備支援等工作。
小西功記（Konishi Kohki）
第4、5章的主筆。任職於株式會社Nikon先進技術開發本部數理技術研究所。
生於和歌山縣。曾在美國勞倫斯柏克萊國家實驗室等機構研究觀測宇宙學，並擔任過資料科學家。於東京大學理學系研究科專攻物理學，取得博士學位。後進入株式會社Nikon，自2015年起任AI（機器學習）工程師。主要研究最尖端的圖像分析技術發展，以及AI技術的社會應用。在國內外學會發表過多項專利。
小林寬子（Kobayashi Hiroko）
第3章主筆。任職於株式會社Nikon先進技術開發本部數理技術研究所。
生於東京都。進入株式會社Nikon時任職於經理部門，後為參與開發業務主動申請調職，現從事應用自然語言處理的市場分析和圖像辨識等技術的研究開發工作。JDLA G檢定2020年第二名，2020年度日本經濟產業省AI Quest修畢。
石井大輔（Ishii Daisuke）
第4章主筆。本書的企劃統籌者。株式會社Kiara代表取締役。
生於岡山縣。在京都大學主修數學，後進入伊藤忠商事，在歐洲開發新事業。2016年成立專攻AI和機器學習的研究社群「TeamAI」。通過1000次的讀書會聚集了1萬名會員。2019年針對外國市場推出可即時翻譯100國語言的Chatbot App「Kiara」。500 Startups Singapore（受日本經濟產業省JETRO補助）畢業生。著有《寫給想成為機器學習工程師的人——以AI為天職》（翔泳社）等書。
■執筆協助
澤井 悠（第3章）／齋藤 豪（第3章）／信田 萌伽（第4、5章）
目錄
第1章
什麼是AI
01 AI的定義──12
02 AI擅長與不擅長的領域──14
03 AI的發展歷程──18
04 什麼是機器學習──22
05 什麼是深度學習──26
06 機器學習與深度學習的差異──30
第2章
AI的基礎知識
07 機器學習與統計學──36
08 相關性與因果關係──40
09 機器學習與資料探勘──44
10 什麼是監督式學習──48
11 什麼是非監督式學習──52
12 什麼是強化學習──56
13 AI與大數據──60
14 從資料種類看AI的特徵──64
15 AI系統的開發流──68
第3章
自然語言處理的方法和模型
16 什麼是自然語言處理（NLP）──74
17 NLP的模糊性與困難──80
18 NLP的預處理──84
19 語言模型與分散式表徵──90
20 標注語料庫與雙語語料庫──98
21 遞歸神經網路（RNN）──104
22 Transformer──110
23 BERT──116
24 GPT-3──122
第4章
以GAN為基礎的生成模型
25 進軍創作領域的AI──130
26 以生成模型為基礎的演算法──132
27 用GAN生成圖像──138
28 敵對攻擊與防禦──144
29 GAN的未來發展──148
第5章
圖像辨識的方法和模型
30 圖像辨識的任務──156
31 卷積神經網路（CNN）──160
32 引爆圖像辨識發展的CNN──164
33 CNN的精度與大小平衡──168
34 訓練的技巧1──172
35 訓練的技巧2──176
36 深度學習的可解釋性──180
37 圖像辨識的評價指標──184
38 精度的評價指標與通用性能──188
第6章
列表資料的機器學習演算法
39 列表資料的預處理──194
40 監督式學習1：線性迴歸模型──196
41 監督式學習2：決策樹──200
42 監督式學習3：隨機森林──204
43 監督式學習4：XGBoost──208
44 監督式學習5：邏輯迴歸模型──212
45 監督式學習6：神經網路──216
46 監督式學習7：k-NN（k-Nearest Neighbor）──220
47 非監督式學習1［分群］：k-means法──222
48 非監督式學習2［分群］：階層式分群──226
49 非監督式學習3［分群］：譜分群──228
50 非監督式學習4［降維］：PCA（主成分分析）──232
51 非監督式學習5［降維］：UMAP──236
52 非監督式學習6［降維］：矩陣分解──240
53 非監督式學習7［降維］：自編碼機──244
結語──248
索引──249
作者介紹──254
