目次

■Chapter 1 AI・機械学習・ディープラーニングとは
1-1 AI・機械学習・ディープラーニングとは
AI ( Artificial Intelligence )
機械学習
ディープラーニング （ 深層学習 ）
1-2 AI・機械学習・ディープラーニング を使った事例
迷惑メールのスパム判定
商品レコメンド
Object Detection （物体検出）
レントゲンや内視鏡の画像か病気であるかを判定する
株価や価格情報の上昇下落予測をする
1-3 教師あり学習とは
1-4 画像認識導入の例
アパレル系での自動ラベリング
不動産系
Web フリーマーケット系
1-5 AI・機械学習・ディープラーニングを実現するまでの道のり
1-6 AI の民主化
1-7 専門家でなくても AI は作れる
1-8 本書でのゴール


■Chapter 2 Cloud AutoML
2-1 Cloud AutoML とは
2-2 Cloud Vision API と Machine Learning Engine の中間に位置する AutoML
2-3 Cloud AutoML Vision に適した画像
2-4 Cloud AutoML Vision の費用
トレーニング費用
ヒューマンラベリング費用
分類予測 （ Online Prediction ） の費用
その他費用
2-5 Cloud AutoML Vision を使ってモデル構築する流れ


■Chapter 3 開発環境の構築
3-1 本書のサンプルで使用する開発環境
3-2 Google Cloud Platform （ Google ） のアカウント登録
登録・ログインの手順
Google Cloud Platform の無料トライアルの登録
3-3 Google Cloud Platform (GCP) で Cloud AutoML Vision を設定する
GCP Project を作成する
Cloud AutoML Vision を有効化する
3-4 python のインストール
3-5 gcloud / gsutil コマンドラインツールのインストール
3-6 gcloud で GCP アカウントにログイン


■Chapter 4 とりあえず予測モデルを作成してみよう
4-1 教師用画像データセットとは
4-2 オープンソースの画像をダウンロードする
4-3 教師用データセットの作成
4-4 Cloud Storage バケットを作成する
4-5 データセットを Cloud Storage にアップロードする
CSV ファイルを作成する
4-6 Cloud AutoML Vision で予測モデルを作成する
Train / Validation / Test について
Model type について
Training budget について
4-7 モデルに対して予測を行う（ GUI ）
4-8 モデルに対して予測を行う（ Python ）
サービスアカウントの作成
python の設定
スクリプトの作成
API の実行
REST API を使用する

■Chapter 5 作成したモデルを評価する
5-1 学習の評価について
5-2 評価指標の見方
真偽と陰陽 （ True Positive / False Positive / True Negative / False Negative ）
Precision （ 適合率 ） と Recall （ 再現率 ）
PR 曲線 / AUC
Confusion Matrix （ 混同行列 ）
5-3 ラベルごとの評価
5-4 精度が高い画像と低い画像

■Chapter 6 モデルをチューニングして再トレーニングする
6-1 原因を探る
6-2 ラベルの訂正
6-3 モデルを再トレーニングする
6-4 カテゴリーの細分化
6-5 モデルを再トレーニングする
AutoML で Trailer ラベルを作成する
既存の Car ラベルから明らかに Trailer である画像のラベルを変更する
Car ラベルを補填する
Trailer 画像をダウンロードする
Cloud Storage にダウンロードした画像をアップロードし、追加学習データセットを作成する
AutoML Vision に追加画像をインポートする
AutoML Vision で再トレーニングする
6-6 モデルに対して予測を行う（Web Console）
6-7 評価指標の比較
6-8 番外編 課金をしてトレーニングをする
6-9 補足 : Data Argumentation （ データの水増し ）

■Chapter 7 ウェブやアプリのサービスに組み込む
7-1 アプリケーションについてと準備
7-2 作成したモデルをアプリケーションに接続する準備
環境構築
Flask を試してみる
7-3 ウェブサイトアプリケーションで使用する
ソースコードを準備する
ローカルアプリケーションで動作を確認する
ソースコードの解説
GCP で AppEngine を作成する
アプリケーションを AppEngine にデプロイする
7-4 モデルの切り替え・複数モデルの使用
7-5 スマホアプリで使用する
Firebase プロジェクトの作成、モデルトレーニング
アプリへの組み込み
7-6 最後の片付け （ GCP プロジェクトの削除 ）

■Chapter 8 機械学習・ディープラーニングの裏側
8-1 機械学習の基礎理論を学ぶ
8-2 機械学習のデータ、評価指標
8-3 Training / Validation / Test
8-4 真偽と陰陽
8-5 Accuracy / Precision / Recall
8-6 AUC （ Area Under Curve ）
8-7 Confusion Matrix
8-8 未学習・過学習・バイアス・バリアンス
8-9 線形回帰とロジスティック回帰
8-10 ニューラルネットワーク
8-11 畳み込みニューラルネットワーク
8-12 最近のニューラルネットワーク