製造業の課題解決に役立つ人工知能（AI）の知識・ノウハウの実践的な解説書。
ITビジネス向けではなく、製造業のAI活用に必要な統計的機械学習と深層学習（ディープラーニング）について体系的に説明。

本書は、製造業のAI活用に必要な統計的機械学習と深層学習（ディープラーニング）を身に付けたい技術者向けに解説しました。想定しているのは、製造業の生産、開発、設計に従事している技術者や、これらの部門にAIシステムを提供するITエンジニアです。実務においてAIを活用するための知識を解説します。

機械学習と深層学習に関する従来の書籍の多くは、数学的な概念を中心としたものでした。活用についてもオンライン（IT）ビジネスを想定したものが多く、製造業の実務にどのように適用すればよいかが取り上げられていませんでした。

これに対して、本書では、製造業の技術者を想定し、AIをどのように使うかを解説しました。現実の課題に対し、どのような手順で適用するか、どのような点に留意すべきかを説明しています。事例としては、分かりやすさと実用性を考慮して、異常検知と予防保全を取り上げました。専門用語は、平易な言葉で解説しています。

理解を補うためにPythonプログラムによる演習も用意しました。プログラミングについての経験が少ない製造業の技術者にとっても、具体的なデータを用いたプログラムを体験することで、理解を深めることができます。

＜特徴１＞ 製造業における活用法を解説
製造業での活用を想定し、AIをどのように使うかを解説。現実の課題に対して、どのような手順で適用するかと留意すべき点が分かります。事例として、分かりやすさと実用性の観点から異常検知と予防保全を取り上げました。自らAIを活用する場合に加えて、社内のAI関連の推進チームや、社外のAI分野の専門企業と協力して開発を行うための基礎知識を身に付けることができます。

＜特徴２＞ 理解を深めるための工夫
数学的に複雑な内容は、概念レベルの理解ができるように絵解きで解説。パラメーター推定などの数学的な理論よりも、応用するための原理の理解を助けるように工夫しました。専門用語は平易な言葉で説明することで、「なるほど」という理解が得られます。

＜特徴３＞ Pythonによる演習
業務に関連した具体的なデータとプログラムを用いたPython演習を用意。さまざまな課題に取り組むことで、機械学習と深層学習について理解を深められます。プログラミングについて初心者のエンジニアでも技術を理解し、簡単な処理ができるようになります。Jupyter Notebookのノートブック形式の演習問題と解答と、実行のためのデータを収めたCD-ROM付き。

＜著者略歴＞
速水 悟（はやみず さとる）
岐阜大学 工学部 電気電子・情報工学科 教授

1981年 東京大学大学院 工学系研究科 修士課程修了、
同年 通商産業省工業技術院 電子技術総合研究所（現 国立研究開発法人産業技術総合研究所）
1989年 カーネギーメロン大学 客員研究員
1994年 フランス国立科学研究院機械情報学研究所 客員研究員
2002年4月より、岐阜大学 教授

■目次
第1章　製造業における人工知能技術の活用
1-1 オンラインビジネスから製造業へ拡大するAI活用
1-2 産業分野におけるIoT（Internet of Things）
1-3 デジタル変革（DX）と人工知能技術
1-4 エンジニア（生産・開発・設計技術者）に求められる知識
1-5 進歩の速い深層学習の技術動向を概観する

第2章　人工知能技術の適用における流れと留意点
2-1 全体の流れを理解する
2-2 探索的にデータを分析する
2-3 機械学習のモデルをどう使うか？
2-4 機械学習におけるタスク

第3章　機械学習の基本モデルと評価方法
3-1 入力の種類を見分けるモデル（クラス分類）
3-2 クラス分類タスクの評価方法
3-3 連続的な数値を予測するモデル（回帰）
3-4 回帰タスクの評価方法
3-5 正則化による変数の削減

第4章　機械学習のモデルの使い方と留意点
4-1 データを可視化する
4-2 規則を木構造にまとめるモデルと変数の重要度
4-3 技術の適用における留意点
4-4 技術開発・設計業務への適用

第5章　統計的機械学習による異常検知
5-1 統計量による異常検知の原理
5-2 混合正規分布モデルを用いた異常検知
5-3 機械学習による異常検知における手順と留意点
5-4 異常検知と予防保全

第6章　音と振動からの異常検知
6-1 周波数分析
6-2 機械学習によるモデル化の意味
6-3 機械学習の前処理としての特徴抽出
6-4 異常検知のモデルは正常データのみで学習させる
6-5 動作モードのある装置のモデル化

第7章　深層学習の基本モデル
7-1 全結合ネットワークの構造
7-2 パラメータ推定の原理
7-3 学習曲線とモデル学習の評価
7-4 畳み込みネットワークの構造

第8章　深層学習による系列のモデル化
8-1 再帰型ネットワークの構造
8-2 ゲートのあるモデル（長・短期記憶）
8-3 系列を変換するモデル
8-4 注意機構による対応付け

第9章　深層学習による時系列予測と異常検知
9-1 深層学習による特徴量への変換
9-2 時系列予測への深層学習モデルの適用方法
9-3 自己符号化器とその発展形による異常検知
9-4 深層学習による音と振動からの異常検知の事例

第10章　継続的な学びに向けて
10-1 機械学習と深層学習をどのように学べばよいか？
10-2 進歩の速さにどのように対応するか？
10-3 人工知能技術の活用を拡大するための組織

第11章　機械学習・深層学習のためのPython 演習
Pythonの基礎、データ分析、可視化、機械学習と深層学習の基本モデル、時系列の予測、統計量／機械学習／深層学習による異常検知

商品詳細