目次
第1章 実務で機械学習・人工知能を活用するために
1． 機械学習と人工知能について
1．1 機械学習・人工知能とは
1．2 機械学習・人工知能の適用分野
1．2．1 機械学習・人工知能が注目される背景
1．2．2 機械学習・人工知能の適用に工夫がいる例
1．3 ビッグデータを活用
1．3．1 機械学習・人工知能の巧拙は活用するデータで決まる
1．4 ビジネスで活用する機械学習の手法について
1．4．1 教師ありか教師なしか
1．4．2 その他活用判断基準について
2．機械学習・人工知能を業務に取り入れるために必要なこと
2．1 人材要件
2．2 組織要件
2．3 AIプラットフォームの活用
3．機械学習・人工知能を活用するための業務
3．1 POC（コンセプトの実現性検証）
3．2 モデルマネジメント
第2章 知的財産を含む法務課題について
第1節 問題点の整理
第2節 データ収集の場面における諸問題
1．他社、他人のデータを収集・加工してよいか
1．1 問題点の整理
1．2 個人情報等
1．3 営業秘密
2．収集、加工したデータを自社の権利として保護できないか
2．1 問題点の整理
2．2 特許権による保護
2．3 著作権による保護
2．4 営業秘密による保護
2．5 契約による保護
第3節 AIプログラムを活用した学習済みモデルの作成場面における諸問題
1．個人情報や他人の著作物等を第三者に提供してよいか
1．1 問題点の整理
1．2 個人情報の提供
1．3 著作物の提供
2．開発した学習済みモデルを自社の権利として保護できないか
2．1 問題点の整理
2．2 特許権による保護
2．3 著作権による保護
2．4 保護手段の比較
第4節 AI生成物の誕生及び利用の場面における諸問題
1．AI生成物を用いたサービスが規制を受けないか
2．AIを活用した創作物やAI生成物を用いたサービスを自社の権利として保護できないか
2．1 問題点の整理
2．2 検討
3．AI生成物にかかる未知の課題～おわりにかえて～
第3章 機械学習とそのアルゴリズム
はじめに
1．機械学習による予測
1．1 線形回帰による予測
1．1．1 最小平均二乗誤差法
1．1．2 正規方程式
1．1．3 最尤推定法
1．1．4 勾配降下法（最急降下法）による方法
1．1．5 確率的勾配降下法による方法
1．1．6 ミニバッチ勾配法による方法
1．2 各種勾配法の最適化
1．2．1 正則化
1．2．2 線形回帰についての留意事項
1．3 ニューラルネットワーク
1．3．1 単純パーセプトロン
1．3．2 多層パーセプトロン：ニューラルネットワーク
1．3．3 ニューラルネットワークの学習
1．4 回帰木
2．機械学習による識別
2．1 線形判別（ロジスティック回帰）
2．2 サポートベクタマシン
2．2．1 線形サポートベクタマシン
2．2．2 非線形サポートベクタマシン
2．3 分類木
2．4 アンサンブル学習
2．4．1 バギング
2．4．2 アダブースト
2．4．3 ランダムフォレスト（Random Forest）
3．機械学習によるクラスタリング
3．1 距離
3．2 k-meansアルゴリズム
3．3 EMアルゴリズム
3．4 階層的クラスタリング
3．5 自己組織化マップ
3．6 one classサポートベクタマシン
4．機械学習による行動獲得
4．1 動的計画法
4．2 TD学習
4．3 Q-learning
4．4 Profit Sharing
おわりに
第4章 機械学習のトレンド
第1節 各方面から注目を集めるディープラーニング
第1項 ディープラーニング概要
第2項 ディープラーニングを取り巻く理論
1．ネットワークの学習方法
2．汎化性を向上させる方法
第3項 ディープラーニングが変える世界
1．物体検出への応用
2．You Only Look Once
3．Single Shot MultiBox Detector
4．深層強化学習
第2節 主流の言語～特徴
第1項 python～何故pythonなのか？
第2項 Install方法
WindowsでのInstall方法
LinuxでのInstall方法
第3項 基本的な構文
第4項 データ前処理の具体例
第3節 ネットから情報を取得する
第1項 公開されているデータセット
1．データセットとは
2．公開されているデータセットの一覧
3．データセットを有効に使用する
第2項 GitHub
1．概要
2．GitHubを使用したデータセットのダウンロード
第4節 主流のツール～サンプルコードによる具体的な扱い方
第1項 Caffe
1．概要・特徴
2．WindowsでのInstall方法
3．LinuxでのInstall方法
4．CNNによる画像処理のサンプル
5．RNNによる言語処理のサンプル
6．RNNによるセンサーデータ処理のサンプル
第2項 Tensorflow
1．概要・特徴
2．WindowsでのInstall方法
3．LinuxでのInstall方法
4．CNNによる画像処理のサンプル
5．RNNによる言語処理のサンプル
6．RNNによるセンサーデータ処理のサンプル
第3項 Keras
1．概要・特徴
2．WindowsでのInstall方法
3．LinuxでのInstall方法
4．CNNによる画像処理のサンプル
5．RNNによる言語処理のサンプル
6．RNNによるセンサーデータ処理のサンプル
第4項 Chainer
1．概要・特徴
2．WindowsでのInstall方法
3．LinuxでのInstall方法
4．CNNによる画像処理のサンプル
5．RNNによる言語処理のサンプル
6．RNNによるセンサーデータ処理のサンプル
第5項 OpenCv
1．概要・特徴
2．WindowsでのInstall方法
3．LinuxでのInstall方法
4．画像処理のサンプル
第5章 人工知能・機械学習の導入と利活用に向けた設計・取り組み事例
第1節 製造業・工業
第1項 スマート工場におけるIoT／AIの適用
はじめに
1．データ採取のためのセンシング技術
1．1 AEセンサー
1．2 AEの信号処理と特徴抽出
2．AI（機械学習）の原理
2．1 データ解析と課題設定
2．2 機械学習によるセンシングデータ処理
3．工場における適用事例
3．1 製品検査と品質管理
3．1．1 背景
3．1．2 絞り加工
3．1．3 研削加工
3．1．4 特殊材料
3．1．5 まとめ
3．2 ロボットの健全性評価とAI
3．2．1 製造現場での適用
3．2．2 スマート工場のIoTとAI
おわりに
第2項 組み込み機器やエッジに搭載可能な人工知能
1．エッジに搭載するためのディープラーニングの課題
2．ディープラーニングの演算量削減に向けたネットワーク構造
3．機器やエッジを想定した人工知能アプリケーション例
3．1 認識に関するアプリケーション例
3．2 異常分析に関するアプリケーション例
3．3 最適制御に関するアプリケーション例
第3項 インフラ・製造現場における外観検査適用
1．外観検査と機械学習
1．1 ツール・ライブラリ・開発環境
1．2 学習器・特徴量の選定
1．3 データ収集・データチューニング
1．3．1 欠陥検出のための観測系
1．3．2 欠陥検出のための照明・光学系
（1）偏光の利用
（2）逆反射スクリーンの利用
（3）円錐鏡の利用
1．4 精度向上・チューニング
2．事例解説
2．1 路面亀裂解析
2．1．1 ウェーブレット変換を用いたコンクリートのひび割れ画像解析手法の開発
2．1．2 Random Forestによるコンクリート表面ひび割れの検出
2．1．3 WAVELETヒストグラムとSVMによる路面画像からのひび割れの検出
2．2 粒子解析
2．3 自動車鋳造部品の欠陥検出
2．4 その他の事例
第4項 劣化画像の復元と応用
1．ツール・ライブラリ・開発環境
2．劣化画像の復元と機械学習
3．データ収集・データチューニング
4．ノイズリダクション
5．超解像
6．欠損データの補間
第5項 製造現場で使える人工知能技術～機械学習による産業用ロボットの先進機能
はじめに
1．機械学習の産業用ロボットへの適用例
1．1 ビジョンセンサによるバラ積み取出し
1．2 減速機の故障予知
1．3 キズ検査
おわりに
第6項 人工知能を組み込んだ次世代製品開発環境
はじめに
1．富士通の製品開発環境
2．製品開発における課題
2．1 設計者間での意識すり合わせコストの増大
2．2 設計者の経験やノウハウへの依存
3．富士通の目指す次世代製品開発環境
4．製品開発への人工知能技術の適用事例
4．1 プリント基板の層数予測機能
4．1．1 プリント基板の層数見積もり作業の重要性
4．1．2 機械学習技術の適用
4．2 形状認識を用いた検証対象部品の自動検出機能
4．2．1 構造設計における設計検証作業
4．2．2 機械学習技術の適用
5．人工知能技術の製品開発環境への組込み
最後に
第7項 組み込みAI技術
1．AIがもたらす組み込みシステムの変化
1．1 組み込みシステムとは
1．2 AIはITの領域からOTの領域へ
2．組み込みシステムへの搭載方法
2．1 学習と推論実行
2．2 「弱いAI」の組み合わせが人間を超える
2．3 ニューラルネットワークの圧縮
2．4 AIに最適化したハードウェアエンジン
3．組み込みシステムへのAI取り組み事例
3．1 すべての組み込みシステムへ e-AIトランスレータ
3．2 スマート工場へ 異常検知システムへの応用
おわりに
第2節 マーケティング・顧客対応
第1項 機械学習活用によるB2Bマーケティングの課題解決
はじめに
1．B2Bビジネスの特性
2．ITの急激な発展による状況の変化
3．機械学習が適用可能な領域と事例
4．活用の検討にあたり必要なこと
おわりに
第2項 機械学習を用いた顧客行動予測モデルの構築とその活用
1．機械学習概論
1．1 機械学習とは
1．2 パラメータと機械学習
2．機械学習を用いた顧客行動の予測
2．1 事例概要
2．2 問題設定
2．3 データ加工
2．3．1 集計単位の検討
2．3．2 時間帯を列に持ったデータの作成
2．3．3 7日分の時間帯を列に持ったデータの作成
2．3．4 説明変数と目的変数のあるデータの作成
2．4 予測モデルの構築
2．4．1 予測モデルの作成手順
2．4．2 データの「規則性」「まとまり」の検証
2．4．3 ノイズの削除
2．4．4 利用する手法の選定
2．5 アクション
第3項 テキストマイニング技術の最新動向とAPI活用事例
1．顧客の声活用とは？～ビジネス現場で生かされるテキストマイニング技術～
1．1 飲料業界～Twitterデータの社内共有
1．2 流通業界～プライベートブランドの強化
1．3 より効果的に顧客の声を聞く仕組み～テキストマイニング技術と自然言語処理～
2．自然言語処理技術
2．1 形態素解析と構文解析
2．2 日々進化する日本語への対応
2．3 感情解析
3．マーケテイングで使われているテキストマイニングツール「見える化エンジン」
3．1 「鳥の目と虫の目」を体現したインターフェース
3．2 感情表現を使ってホットな顧客の声を見つける
4．自然言語処理とテキストマイニング技術のAPI活用事例
（コールセンター通話、機械とのコミュニケーション、エントリーシート要点抽出）
第4項 機械学習のE-commerceにおける応用について
はじめに
1．AI技術としての機械学習の重要性
2．ECにおける教師あり学習
3．ECにおける教師なし学習
4．ECにおける半教師あり学習
5．ECにおける構造学習
6．楽天におけるオンライン学習
7．ECにおける強化学習への適用例と楽天での利用
8．深層学習
9．研究者へのデータ提供の取り組み
おわりに
第5項 カスタマーサポートへの人工知能適用の取り組み
1．カスタマーサポートで利用される人工知能
1．1 人工知能の導入目的
2．コンタクトセンターで利用される人工知能
3．音声認識のコンタクトセンターへの適用
3．1 音声認識の処理概説
3．2 音声認識の導入について
3．3 音声認識の運用について
4．自然言語処理のコンタクトセンターへの適用
4．1 自然言語処理の処理概説
4．2 自然言語処理の導入について
4．3 企画・要件定義
4．4 設計
5．さいごに
5．1 運用を通じて人工知能を成長させることの重要性について
5．2 カスタマーサポートにおける今後の人工知能活用について
第6項 ディープラーニングを利用したレコメンド事例と機械学習によるCRM業務の効率化
はじめに
1．コンバージョンしそうな顧客を予測・抽出してアプローチ
2．顧客タイミングに合わせたメール配信
3．ディープラーニングを活用したレコメンドシステム
まとめ
第3節 自動車～自動運転を可能にする機械学習技術とその動向
1．自動運転技術概要
2．高精度マップ製作（Mapping）と位置決定（Localization）
2．1 高精度マップ製作手順
2．2 高精度マップ製作ツールキット
2．3 位置決定（Localization）
2．4 機械学習の役割とデータ量
3．状況把握（Scene Understanding）
3．1 クルマ周囲のオブジェクトを把握
3．2 Object DetectionとSemantic Segmentation
3．3 Convolutional Neural Network教育と試験
4．走行経路計画（Movement Planning）
4．1 走行経路の計算（ルールベース）
4．2 走行経路の計算（機械学習ベース）
4．3 走行経路の計算に必要なデータ量と準備手順
5．ドライバーモニタリング（Driver State）
6．Lidar、カメラ、レーダーなどセンサー技術と今後の展望
6．1 Lidar技術動向
6．2 カメラとSensor Fusion
6．3 レーダーの役割
7．自動運転車の安全性評価（Evaluation）
7．1 自動運転技術の課題
7．2 自動運転車の安全性評価方法
7．3 Waymo自動運転車の安全性を評価する
8．人工知能のメリットと解決すべき課題
9．自動運転技術の進行方法（注目すべき自動運転ベンチャー）
第4節 金融～人工知能を利用した資産運用支援サービス
はじめに
1．実証実験 第1/第2フェーズ（2016/1/18～2016/3/24）
2．実証実験 第3/第4フェーズ（2016/4/1～2016/5/19）
3．「巫」のアルゴリズム
4．1年間の運用実績と今後の課題
第5節 環境～産業廃棄物処理施設へのAI自動選別技術導入
1．産業廃棄物処理業の環境とAI導入に至る経緯
2．ロボットメーカーとの交渉～導入までの道
3．ゼンロボティクスリサイクラーの運用体制
3．1 トレーニング方法
3．2 直面した課題と改善への取り組み
4．ロボット導入実証事業認定に至る経緯
4．1 応募までの経緯
4．2 応募に向けての準備
4．3 採択
5．ロボット導入実証事業認定後のメリット
5．1 補助金
5．2 宣伝効果
第6節 農業～IoT・ビッグデータ・AIを活用したスマート農業への取り組み
はじめに
1．はじめに
2．IoT／ビッグデータを活用した施設園芸・植物工場への取り組み
2．1 概要
2．2 導入事例
2．3 導入効果（生産者の声）
3．データマイニング技術を活用した海外大規模農場に対する取り組み
3．1 概要
3．2 実証事例
4．おわりに
第7節 医療
第1項 人工知能（機械学習）導入・利活用に向けた設計と取り組み事例
1．画像認識と機械学習
2．有用なツール・ライブラリ・開発環境
3．識別器・特徴量の選定
3．1 人工ニューラルネットワーク（ANN:Artifical Neural Network）
3．2 ランダムフォレスト（RF:Random Forest）
3．3 サポートベクターマシン（SVM:Support Vector Machine）
3．4 カップリング学習
3．5 Deep Learning
4．データ収集・データチューニング
4．1 DICOM
4．2 データの正規化・標準化・無相関化・白色化
4．2．1 正規化
4．2．2 標準化
4．2．3 無相関化
4．2．4 白色化
4．3 データ拡張
4．4 その他の注意点
4．4．1 ラベル付けの正確性の確認
4．4．2 学習データ数にクラス毎の偏りがないかの確認
4．4．3 学習データに、学習の妨げになる背景やノイズが入っていないかの確認
5．精度向上・チューニング
5．1 SVMの精度向上
5．2 Deep Learningの精度向上
6．事例解説
6．1 細胞認識、癌細胞の認識
6．2 コンツーリング・臓器抽出
6．3 手術支援ARシステム
6．4 加齢シミュレーション
6．5 復顔
6．6 生命科学・分子生物学
第2項 人工知能を用いたビッグデータからの創薬・ドラッグリポジショニング
はじめにーAI創薬をめぐる世界の状況
1．ビッグデータやAIを使った創薬／DR基本枠組み
1．1 生体分子ネットワークにおいて疾患と薬剤の相互作用を把握する
1．2 生体分子ネットワーク準拠の計 算創薬/DRの「3層ネットワー ク関係図式」
1．3 ＜疾患─薬剤─生体分子ネットワーク＞の枠組みを用いたDRの実際
1．4 タンパク質相互作用 ネットワークにおける疾患関連分子と標的分子の「距離」の評価
1．4．1 Sunらのランダム歩行による最適な標的分子の探索
1．4．2 Barabasiらのタンパク質相互作用ネットワーク上での近接解析による有効性評価
2．人工知能（AI）とくに 深層学習（Deep Learning）を用いた創薬/DR
おわりに
