出版書誌データベース

★★その直感、じつに合理的ですニャ(=^・・^=)★★

状態空間問題や探索アルゴリズムを初歩から学ぼう！
ネコちゃんのイラストで抽象概念もイメージできる！

直感（ヒューリスティック）を活用し、合理的に最適解を導く探索手法「ヒューリスティック探索」。
その理論背景からアルゴリズム、Python実装までを体系的に解説！
応用例として、ゲーム木探索、自動行動計画問題、大規模言語モデル（LLM）における探索手法も解説。

【おもな内容】
第1章　人工知能とヒューリスティック探索
第2章　状態空間問題
第3章　情報なし探索
第4章　ヒューリスティック探索
第5章　グラフ探索のためのデータ構造
第6章　時間・空間制限下のヒューリスティック探索
第7章　ゲーム木探索
第8章　自動行動計画問題
第9章　大規模言語モデル（LLM）によるテキスト生成

1章　人工知能とヒューリスティック探索
1.1　なぜ人工知能に探索が必要なのか
1.2　ヒューリスティック探索とは
1.3　本書の読み進め方
1.4　練習問題の解答
1.5　関連書籍
1.6　Python実装について

2章　状態空間問題
2.1　状態空間問題とは
2.2　状態空間問題の例
2.3　非明示的状態空間グラフによる状態空間問題の定式化
2.4　状態空間問題の難しさ
2.5　Python実装
2.6　まとめ
練習問題
Appendix　状態空間問題以外の問題について

3章　情報なし探索
3.1　木探索アルゴリズム
3.2　グラフ探索アルゴリズム
3.3　幅優先探索
3.4　深さ優先探索
3.5　ダイクストラ法
3.6　情報なし探索の比較
3.7　Python実装
3.8　まとめ
練習問題
Appendix　情報なし探索では不十分なのか

4章　ヒューリスティック探索
4.1　ヒューリスティックとは
4.2　ヒューリスティック関数
4.3　A*探索
4.4　ヒューリスティック関数に望ましい性質
4.5　ヒューリスティック関数の性質とA*探索
4.6　ヒューリスティック関数の例
4.7　非最適解を発見するためのヒューリスティック探索
4.8　ヒューリスティック探索が思ったよりも遅い場合
4.9　Python実装
4.10　まとめ
練習問題
Appendix　関連するアルゴリズム

5章　グラフ探索のためのデータ構造
5.1　オープンリスト
5.2　クローズドリスト
5.3　Python実装
5.4　まとめ
練習問題
Appendix　関連文献

6章　時間・空間制限下のヒューリスティック探索
6.1　最適解を見つけたい場合のアルゴリズム
6.2　最適解でなくてもよい場合のアルゴリズム
6.3　追加のハードウェアリソースを使ったアルゴリズム
6.4　Python実装
練習問題

7章　ゲーム木探索
7.1　マルバツゲーム
7.2　二人ゲーム問題
7.3　ゲーム木
7.4　α-β分枝法
7.5　モンテカルロ木探索
7.6　ゲームの解決
練習問題
Appendix　本章で扱った以外の問題

8章　自動行動計画問題
8.1　古典的プランニング問題の定義
8.2　STRIPSモデルにおけるヒューリスティック関数の自動生成
8.3　自動行動計画問題の記述言語：PDDL
8.4　自動行動計画問題の例
8.5　Python実装
練習問題
Appendix　自動行動計画問題の関連研究

9章　大規模言語モデル（LLM）によるテキスト生成
9.1　言語モデル（LM）
9.2　大規模言語モデルの発展の歴史
9.3　テキスト生成問題
9.4　デコーディングアルゴリズム
練習問題
Appendix　大規模言語モデルの今後の発展

著：陣内 佑
陣内　佑
株式会社サイバーエージェントAI Lab　リサーチャー

2017年3月、東京大学大学院総合文化研究科広域科学専攻修士課程修了。理化学研究所革新知能統合研究センターテクニカルスタッフ、英国Microsoft Research Cambridgeインターン、米国ブラウン大学コンピュータ科学専攻Ph.D. studentを経て、2020年4月より株式会社Lily MedTechにてリサーチエンジニアを務める。2023年6月より現職。
Xアカウント：@DINDIN92