表紙
商標／サンプル／正誤表
まえがき
第1章 ディープラーニングプロジェクトはなぜうまくいかないのか
1.1 本書がディープラーニングに注力する理由
1.2 なぜディープラーニングから学ぼうとするのか
1.3 ディープラーニングが採用される要因
1.4 ディープラーニングの現場での課題
1.5 AIテンプレートの重要性
1.6 本書で取り上げる内容
第2章 機械学習プロジェクトの標準プロセス［課題理解からメンテナンスまで］
2.1 ビジネス課題の理解
2.1.1 チームのスキル要件／2.1.2 適切なチームの構築方法
2.1.3 データサイエンティストを雇うタイミング
2.1.4 ビジネス要件
2.1.5 ITインフラ要件
2.1.6 機械学習の採用基準の確立
2.1.7 課題の設定指針
2.2 探索的データ分析
2.2.1 探索的データ分析の直感的理解／2.2.2 データの理解
2.2.3 EDAプロセスの全体像／2.2.3.1 EDAプロセスで用いられるツール
2.2.4 評価指標の使用方法
2.2.5 EDAの繰り返し実行
2.2.6 パイプラインの不具合の調査方法
2.2.7 プロジェクト範囲の設定方法
2.2.8 プロジェクト期間の見積もり方法
2.2.9 問題の未然防止策
2.2.9.1 EDA結果の検証手順
2.3 モデル開発の下準備／2.3.1 データ準備の最適化
2.3.2 モデルのアーキテクチャの最適化
2.3.3 データサイエンスのコンペティションの利用について
2.4 モデル開発／2.4.1 経験（Experience）の実行
2.4.2 経験の実行ステップ
2.4.3 評価指標（Metrics：メトリクス）の理解
2.5 モデルのサービス展開（デプロイ）
2.5.1 サービス展開の要件／2.5.2 モデルの公開方法
2.5.3 フロントエンドサービスの要件
2.5.4 クラウドへのサービス展開／2.5.5 オンプレミスへのサービス展開
2.5.6 クラスタへのサービス展開／2.5.6.1 Kubernetesへのサービス展開
2.5.6.2 クラスタのアーキテクチャ概要
2.5.7 ハードウェアの選択
2.5.7.1 特定用途のチップの利用
2.5.7.2 デフォルト値の利用／2.5.8 サービス展開の準備
2.5.8.1 GDPRの取り扱い
2.5.8.2 ソフトウェアのバージョン管理／2.5.8.3 モデルのサービス展開手順
2.5.8.4 データ処理方式
2.6 モデルの品質管理／2.6.1 モデルのモニタリング
2.6.1.1 インフラストラクチャの指標／2.6.1.2 機械学習のモデルの品質検査指標
2.6.2 SLAのモニタリング／2.6.2.1 SLAの定義／2.6.2.2 SLAの典型的な仕組み
2.6.2.3 SLAを満たしていない場合の対処方法／2.6.3 モデルのメンテナンス
2.6.3.1 メンテナンスで生じる問題／2.6.4 コンセプトの不安定さのモニタリング
2.6.4.1 コンセプトの不安定さが生じる代表例／2.6.4.2 コンセプトの不安定さのテスト方法／2.6.4.3 コンセプトの不安定さと戦う方法
2.6.5 オンラインでのモデルの再訓練
2.6.6 A/Bテスト
2.7 プロジェクトの検討項目としてのAIテンプレート
2.8 まとめ
第3章 ディープラーニングの基本構成
3.1 ニューラルネットワークの処理概要
3.1.1 ニューラルネットワークの情報伝達の仕組み
3.1.2 ニューラルネットの可視化―数学的な理解のために
3.2 ニューラルネットワーク処理プロセスの概要
3.3 ニューラルネットワークの学習
3.4 ニューラルネットワークの各機能／3.4.1 重みとは／3.4.2 バイアスとは
3.4.3 活性化関数とは／3.4.3.1 隠れ層の活性化関数
3.4.3.2 回帰問題の出力層で使う活性化関数［恒等関数］
3.4.3.3 分類問題の出力層で使う活性化関数［シグモイド関数、ソフトマックス関数］
3.4.4 損失関数とは
ほか
