目次
第1章 人工知能・機械学習・ディープラーニング関連技術の現状と今後
第1節 人工知能の歴史
1. 人工知能の夜明け
2. 初期の人工知能
3. 知識を利用したシステム
4. 機械学習
5. そして現在
第2節 機械学習とは何か？
1. 機械学習とは何か？
2. 機械学習発達の背景
3. 機械学習の分類 － 教師あり学習と教師なし学習
4. 教師あり学習とモデリング
5. 教師なし学習とクラスタリング
6. 回帰分析によるモデリング
7. サポートベクターマシンとカーネル法
8. アンサンブル学習
9. ランダムフォレスト
10. 機械学習の応用例
第3節 ディープラーニング（深層学習）の潮流
1. ディープラーニングとは？
2. 畳み込みニューラルネットワーク
3. ネットワークの学習方法
4. 汎化性を向上させる方法
5. ディープラーニングの現状
第4節 人工知能における機械学習とデータマイニング
～人工知能囲碁AlphaGoの機械学習戦略を探る～
1. 機械学習とデータマイニングの違い
2. 教師あり学習、教師なし学習、強化学習
3. 教師あり学習に用いられる手法
判別分析 / サポートベクトルマシン / ニューラルネットワークとディープラーニング
4. 教師なし学習に用いられる手法
5. 機械学習およびデータマイニングで用いられるオープンソースのツール群
5.1 R
5.2 Python
5.3 Spark
6．モンテカルロ法
7．コンピュータ囲碁で用いられた機械学習戦略
8．人工知能と機械学習、データマイニングの今後の展望
第5節 IoTによるデータ収集と人工知能手法によるデータ処理
1. IoTとは何か
2. IoTのビジネスポテンシャル
3. IoTデータ収集に必要な要素
4. 人工知能（機械学習）の必要性
5. 米国compology社の事例
6. 機械学習の本当の意義
7 .今後の展開
第6節 画像認識技術でここまでできる
1. 画像認識への応用
1.1 細胞内画像処理への応用
1.2 画像ラベリング
第7節 音声認識技術とは
1. 音声認識技術
1.1 音声認識システムの構成
1.2 従来の確率モデル
2. 音声認識におけるディープラーニングの適用
2.1 DNN-HMM 音響モデル
2.2 RNN 言語モデル
3. 音声認識におけるディープラーニング適用の最近の展開
3.1 RNN 音響モデル
3.2 CNN 音響モデル
3.3 End-to-End ディープラーニング
第8節 自然言語処理
1.文書分類
2.文書クラスタリング
3.トピックモデル
4.抽出
5.より深い解析
6.自然言語処理の応用(機械翻訳，文書要約)
7.深層学習，ニューラルネットワーク
第9節 脳科学と人工知能～脳の仕組みから見る人工知能と今後の可能性
1. ニューラルネット技術と脳科学の関係の歴史的経過
2. ニューラルネットの背後にある脳のしくみ
2.1 概観 ： 脳のしくみの理解の現状
2.2 外界の認識：視覚と聴覚
2.3 運動とその制御
2.4 記憶：記銘と想起によるデータ処理
2.5 推論：記号的探索と脳過程
3. 人工知能の未知の領域にむけて
3.1 なぜ脳をヒントにするのか
3.2 意思決定 ： 価値の計算と感情
3.3 情報統合機構としての意識
第2章 人工知能・機械学習・ディープラーニング関連技術を使用するには？実用技術と問点
第1節 人工知能技術を産業利用するために必要な素養とは
1. 研究段階と産業利用段階の技術の違いの理解と見極め
2. 産業利用レベルにある技術に対する知識とそれらを組み合わせる応用力
3. 段階的な試作と改良による開発手法とプロジェクト管理
3.1 人工知能技術を活用したシステムの開発手法例
3.2 人工知能技術を活用したビッグデータの利活用例
第2節 データの取り扱いと事前処理
1. データの形式
1.1 名詞型、数値型データ
1.2 テキストデータ
1.3 ネットワークデータ
2. 機械学習の事前処理
2.1 事前処理とは
2.2 欠損値の取り扱い
2.3 数値データの離散化
2.4 テキストデータの分解
3. データの俯瞰
3.1 名詞型データの俯瞰
3.2 数値型データの俯瞰
3.3 ネットワークデータの俯瞰
第3節 ツールを実装する
1. ディープラーニングのツールについて
2. Caffe
3．Chainer
4．その他のツール
第4節 プライバシー侵害とパーソナルデータの扱いについて
1. プライバシーとは何か
1.1 プライバシーに関する法令
1.2 プライバシー侵害に関する裁判例
1.3 上記裁判例から読み取れる「プライバシーとは何か」
2. パーソナルデータの扱いとプライバシー侵害
2.1 プライバシー権の相対的な保護
2.2 裁判例から読み取れるプライバシー侵害の判断基準
2.3 報告書から読み取れるプライバシー侵害の判断基準
3. プライバシー侵害をしないためのパーソナルデータの扱い
第5節 人工知能を取り巻く法制度・倫理のあり方について
1.スマート化する社会における法制度設計の困難さについて
1.1 スマート化する社会とは
1.2 スマート化する社会における産業構造の変革について
1.3 スマート化する社会における法制度・ルール整備の課題
2.人工知能関連技術の事業化において法制度・倫理の観点から留意するべき事項
3.今後取り組むべき人工知能を取り巻く法制度整備の在り方について
第6節 技術的特異点（シンギュラリティ）・2045年問題 等
1. シンギュラリティ（技術的特異点）・2045年問題
1.1 シンギュラリティとは
1.2 収穫加速の法則
1.3 「考えるコンピューター」の登場
2. シンギュラリティ実現の可能性・是非
2.1 シンギュラリティの実現可能性
2.2 シンギュラリティの是非
2.3 いつ何が起こるのか
3. シンギュラリティ以後の世界
3.1 労働からの解放
3.2 ユートピアの出現
3.3 資本主義の崩壊・貨幣経済の終焉
3.4 最も知的な存在
4. シンギュラリティ以前に起こること
4.1 職業の栄枯盛衰
4.2 ビジネスチャンス
4.3 ソフトランディング
第3章 各種アプリケーション事例と提案
第1節 人工知能の産業応用の考え方
1. ITの根本的な変化と産業界への影響
2. 人工知能技術の業種別・職種別の応用事例
3. 市場規模の予測
4. 人工知能の導入・活用にあたっての課題
第2節 人工知能関連技術の自動運転への応用と今後の展望
1. 自動運転の実現に向けて
2. クルマをシステムが運転するという事
3. センサーとセンサーフュージョン
4. 地図の重要性
5. 画像認識の発展(人間より多くのものをより早く正確に認識)
6. 点群とディープラーニング
7. 走行アルゴリズムとディープラーニング
8. 走行中のドライバーの運転も学習する
9. グローバルデータセンターの重要性
10. クルマの知能化と新事業の開拓
11. まとめと今後の展望
第3節 ロボットと人工知能
第1項 深層学習技術のロボット応用
1．マルチモーダル音声認識
2．ロボットの感覚運動の統合
3．まとめと今後の展望
第2項 産業用ロボット制御に対する人工知能技術活用の展望
1. 産業用ロボットの歴史と概要
2. 産業用ロボットにおける研究開発トレンド
3. 産業用ロボットと人工知能を結び付ける取り組み：自律型セル生産ロボットシステム
4. 産業用ロボットにおける人工知能活用：現状と展望
第4節 医療・ヘルスケア分野の人工知能
第1項 創薬と人工知能
1. 創薬の数理的枠組みと探索空間
2. 化合物とタンパク質の分子間相互作用の予測
3. 薬効・副作用（毒性）予測
4. 今後の展望
第2項 医用人工知能（自動診断・診断支援等）の研究状況と今後
1. 強い人工知能
2. 弱い人工知能
第5節 外観検査
1. 人工知能（機械学習）とは
2. 検査（撮影）機材・検査方法
3. 画像特徴
4. 学習識別器
5. 機械学習の実際
6. 事例
6.1 工業部品検査
6.2 インフラ検査
6.3 粒子解析
第6節 計算機ナノマテリアルデザインとその応用
1. 計算機ナノマテリアルデザインとは？
2. 革新的省エネルギーをめざしたスピントロニクス材料
3. 自己修復する高効率・低コスト太陽電池ナノマテリアルのデザインと実証
4. 環境調和高効率熱電材料のデザインと実証
5. 高輝度希土類ドープGaN発光ナノ材料のデザインと実証
6. 超室温超伝導体のデザイン
7. 自己再生する不老不死のナノ触媒のデザインと実証
8. 計算機ナノマテリアルデザインの将来展望
第7節 成形加工法への応用
1. Radial Basis Functionネットワークを用いた逐次近似最適化
2. 初期ブランク形状と可変ブランクホルダー力の同時最適化
3. 機械学習と最適化技術の活用による生産技術開発
第8節 エネルギー
1. スマートグリッド
2.人工知能を用いたエージェント技術の適用事例
2.1スマートグリッドにおける配電線フィーダの電圧制御方式（マルチエージェントの適用）
第9節 マーケティング
1. 伝統的マーケティングからのパラダイム変化
1.1 技術革新とパラダイム変化
1.2 情報技術の発展と消費者行動の変化
2. 大規模マーケティングデータと機械学習
2.1 セグメンテーション
2.2 ターゲティング
2.3 ポジショニング
3. 商品推薦とクーポン最適化
3.1 商品推薦モデル
3.2 クーポン発券モデル
4. 消費者行動
4.1 ブランド選択モデル
4.2 消費者ネットワーク分析
5. 大規模なマーケティングデータ解析の課題と展望
