出版書誌データベース

現場のボトルネックを
機械学習と最適化を駆使して
突破する！

【本書の概要】
本書はAI開発の現場で起こる「実装までの谷」に落ち込み、開発に行き詰まっている方に向けて、機械学習および最適化を利用した解決方法を解説した書籍です。 多様な課題に対処できる力を身につけてもらえるよう、単に対処法を示すだけでなく、その背景にある考え方も説明していますので、より深い理解を得ることができます。

【現場で起こる次のような問題を解決】
・機械学習と最適化の問題に落とし込むには？
・機械学習手法は何を使えばよいか？
・可能な試行回数が少ないときはどうすればよいか？

【対象読者】
AI開発の現場で悩んでいる以下の方
・研究開発者
・AIプロジェクトマネージャー

【目次】
第0章 イントロダクション
第1章 そもそもの問題設定で起こる問題と解決へのアプローチ
第2章 機械学習の開発現場で起こる問題と決へのアプローチ
第3章 実際の最適化で直面する問題と解決へのアプローチ

【著者プロフィール】
沓掛 健太朗（くつかけ・けんたろう）
名古屋大学未来材料・システム研究所准教授。応用物理学会インフォマティクス応用研究会代表。アイクリスタル株式会社技術顧問。一般社団法人製造業AI普及協会理事。
東北大学金属材料研究所助教、名古屋大学未来社会創造機構特任講師、理化学研究所革新知能統合研究センター研究員などを経て2024年より現職。
専門は結晶工学と応用情報科学。趣味はマラソンと日本城めぐり。

第0章 イントロダクション
0.1 イントロダクション
0.1.1 AIによるパラダイムシフトと本書の対象者
0.1.2 AI（人工知能）とは？
0.1.3 AI 時代に必要とされる人材像
0.1.4 本書で学べること、学べないこと
Column 日本人はAIを信用してはいないが、嫌いではない！？

第1章 そもそもの問題設定で起こる問題と解決へのアプローチ
1.1 何に気を付けて関数を設定すればよいか？
1.1.1 関数とパラメータのおさらい
1.1.2 因果関係と相関関係は何が違うのか？
1.1.3 パラメータが制御できるかできないかで何が変わるのか？

1.2 機械学習と最適化の問題に落とし込むには？
1.2.1 機械学習と最適化の違いとは？
1.2.2 そもそもなぜ機械学習をするのか？
1.2.3 そもそもなぜ最適化をするのか？
Column なぜ最小化なのか？

1.3 機械学習と最適化アルゴリズムを組み合わせるとどのようなよいことがあるのか？
1.3.1 サロゲート最適化とは？
1.3.2 機械学習手法と最適化アルゴリズムが異なると結果にどのような違いが表れるか？

第2章 機械学習の開発現場で起こる問題と解決へのアプローチ
2.1 機械学習手法は何を使えばよいか？：目的の観点から
2.1.1 パラメトリックモデルとノンパラメトリックモデルのどちらを使えばよいか？
Important 関数の入力パラメータと学習パラメータ
Important 結局、機械学習では何をやっているのか？ 機械学習も一種の最適化？
Important 機械学習と統計解析の違いとは？
2.1.2 目的の観点からは、機械学習手法は何を使えばよいか？
Column 回帰以外の機械学習：クラス分類、教師なし学習、強化学習

2.2 どのくらいデータは必要なのか？
2.2.1 対象の複雑さの影響は？
2.2.2 入力パラメータ数の影響は？
2.2.3 データは多ければ多いほどよいか？

2.3 リッチなモデルは正義か？
2.3.1 リッチなモデルの恩恵
2.3.2 学習の観点からは、機械学習手法は何を使えばよいのか？

2.4 入力パラメータはどのように選べばよいか？
2.4.1 意味のある入力パラメータとは①：失敗から学ぶ
2.4.2 意味のある入力パラメータとは②：物理的な根拠から考える
2.4.3 入力パラメータはどのように選べばよいか？
Point モデルが先か、データが先か、パラメータが先か？

2.5 データにノイズがある場合に気を付けることは？
2.5.1 ノイズがあってもデータは多ければ多いほどよいか？
2.5.2 外れ値の影響は平等ではない
2.5.3 この外れ値データは取り除いてよいのか？

2.6 データ前処理で気を付けることは？
2.6.1 正規化は何のためにやるのか？
2.6.2 標準正規化と最大最小正規化で結果に違いは生じるのか？
2.6.3 データの意味を考えた正規化とは？

2.7 logを取るべきか取らざるべきか？
2.7.1 入力パラメータ 𝑥 の log 変換について
2.7.2 出力変数 𝑦 の log 変換について

2.8 訓練・検証・テストデータはどのように分ければよいか？
2.8.1 データ分割のおさらい
2.8.2 データの意味を考えると行ってはいけないデータ分割とは？

2.9 十分精度が高いのに実際の予測は外してしまうのはなぜか？
2.9.1 R2が高ければ問題はないのか？
2.9.2 RMSEが低ければ問題はないのか？

2.10 損失関数と評価関数には何を用いればよいのか？
2.10.1 学習の損失関数とモデルの評価関数の違いとは？
2.10.2 RMSEとMAEの比が異なる2つのモデルがあった場合、どちらを用いればよいのか？
Column 損失関数とノイズの確率分布の関係

2.11 すごい予測値が出たが、これは大発見なのか？
2.11.1 内挿、外挿とは？
2.11.2 なぜ機械学習は物理的にあり得ない値を予測してしまうのか？

2.12 第 2 章のまとめ

第3章 実際の最適化で直面する問題と解決へのアプローチ
3.1 最適化で何ができるか？
3.1.1 どのような場合に最適化するべきか？
3.1.2 最適化アルゴリズムは何をしているのか？
3.1.3 最適化のパラメータも次元の呪い
Column 何が最適化されるのか？
Column 深層学習における超多パラメータ最適化

3.2 どの最適化手法を選べばよいか？
3.2.1 連続最適化と組合せ最適化の違いは？
3.2.2 試行回数から考える手法選択
3.2.3 リアル試行と仮想試行による最適化の違いは？
Column 得られた最適化結果は、言われたら当たり前だけど、 言われるまでは思いつかない

3.3 多目的最適化：複数の目的を同時に考慮するにはどうすればよいか?
3.3.1 パレート解とは？
3.3.2 多目的最適化の次元の呪い

3.4 目的関数設計： 解の候補がたくさんある場合にどの解を選んだらよいか？
3.4.1 何を最小化したいかを数式で表す
3.4.2 パレート解をクラスタリング

3.5 ベイズ最適化： 可能な試行回数が少ないときはどうすればよいか？
3.5.1 1 回だけの最適化と逐次最適化の違いとは？
3.5.2 ベイズ最適化の中では何を行っているのか？
3.5.3 ベイズ最適化の事例

3.6 制約付き最適化：最適化して得られた条件では実際の実験ができない場合はどうすればよいか？
3.6.1 制約付き最適化とは？
3.6.2 制約付きベイズ最適化の事例
Point データは、設定値と実施値のどちらを使用するべきか？

3.7 最適化の疑問
3.7.1 いつまで最適化を続ければよいのか？
3.7.2 最適化の途中でハイパラを変えてもよいのか？
3.7.3 Human in the loop： 結果が悪いと思われる条件でも実験する必要があるのか？

3.8 第 3 章のまとめ