現場で活用するための機械学習エンジニアリング

第1章　本書の使い方

第1部　機械学習の基礎

第2章　機械学習とは何か
2.1 AI、機械学習、深層学習の違いと機械学習の概念
2.2 機械学習は近似関数を推定する作業である
2.3 データについて

第3章　機械学習手法の種類と基礎
3.1 機械学習の種類
3.2 深層学習以外の機械学習手法の種類とその基礎
3.3 深層学習の主な種類とその基礎
3.4 過学習と正則化
3.5 転移学習

第4章　機械学習のタスク
4.1 動画像系のタスク
4.2 自然言語処理・音系のタスク
4.3 異常検知のタスク
4.4 テーブルデータ系のタスク
4.5 数値計算手法の近似

第2部　機械学習の利活用

第5章　機械学習は一般企業でも活用できる

第6章　機械学習を現場で活用するには
6.1 機械学習活用プロジェクトの流れ
6.2 機械学習活用プロジェクトでうまく問題設定する
6.3 ドメイン知識をモデルに組み込む
6.4 ウェブから利用可能な資源を活用する
6.5 機械学習手法の選択やデータの質・量
6.6 機械学習情報の収集方法
6.7 論文の効率的な読み方
6.8 機械学習が抱える問題点
6.9 機械学習を活用する前に「機械学習を活用しない解」を検討する

第7章　機械学習の適用事例
7.1 商品の外観検査
7.2 建設現場の進捗確認
7.3 街路樹の密度をチェックし、植林支援をする
7.4 秘密保持契約のチェック
7.5 数値シミュレーションの近似
7.6 銃声を検知して野生動物を保護する
7.7 長期間気球を滞空させて、過疎地の通信を助ける

第8章　実運用に耐えうる機械学習モデルの構築
8.1 評価データの情報漏洩を防いで実運用時と近い評価をする
8.2 データ拡張による実運用時のばらつきを加味した学習方法
8.3 機械学習モデルが出す想定外の予測結果（短絡学習）を防ぐ対策
8.4 少ないデータで学習し、少ないデータで精度を担保する
8.5 ラベル間違いへの対応
8.6 その他利活用時に問題になりそうな事項とその対策

第9章　機械学習モデルの説明性
9.1 説明性のある機械学習モデルとは
9.2 判断根拠の説明性
9.3 偏見の可視化
9.4 不確実性の算出
9.5 説明性は役に立つのか
9.6 因果関係と相関関係