小嵜 耕平（著者）：2014年奈良先端科学技術大学院大学情報科学研究科博士後期課程を単位認定退学。保険・金融・広告をはじめとしたさまざまな事業領域でデータ分析や研究開発などの業務を経験。2023年3月より株式会社RistでAIエンジニアとしてシステム開発に従事。チームで参加したKDD Cup 2015の優勝を皮切りに数々のコンテストで活躍した。Kaggleではユーザーランク最高4位。最初の Kaggle Grandmaster のうちの一人。
秋葉 拓哉（著者）：2015年東京大学大学院情報理工学系研究科博士課程修了。博士（情報理工学）。現在、株式会社Preferred Networks執行役員。機械学習システム、大規模並列分散機械学習の研究開発に従事。著書に『プログラミングコンテストチャレンジブック』（マイナビ）などがある。2016年よりKaggleに参加し、「Open Images Challenge 2018」準優勝。Kaggle Grandmaster。
林 孝紀（著者）：2016年東京大学大学院情報理工学系研究科修士課程修了。2021年より株式会社Preferred Networksにてソフトウェアエンジニアとして勤務。NLPコンテストを中心に好成績を収める。Kaggle Master。
石原 祥太郎（著者）：2017年より株式会社日本経済新聞社でデータ分析・サービス開発に従事。2019年にチームで参加したKaggle「PetFinder.my Adoption Prediction」で優勝。2019年の「Kaggle Days Tokyo」にはコンテスト開催側で関わった。共著に『PythonではじめるKaggleスタートブック』（講談社）、訳書に『Kaggle Grandmasterに学ぶ機械学習実践アプローチ』（マイナビ出版）があり、個人活動としてニュースレター「Weekly Kaggle News」を発行している。Kaggle Master。

★最強最短の近道は、これだ！★

・画像・自然言語処理の機械学習コンテストに取り組みながら、深層学習の具体的な知識をいち早く身につけよう！
・レジェンドたちの豊富な経験に基づくスキルアップのノウハウも満載！

【主な内容】
第1章　機械学習コンテストの基礎知識
1.1　機械学習コンテストのおおまかな流れ
1.2　機械学習コンテストの歴史
1.3　機械学習コンテストの例
1.4　計算資源

第2章　探索的データ分析とモデルの作成・検証・性能向上
2.1　探索的データ分析
2.2　モデルの作成
2.3　モデルの検証
2.4　性能の向上

第3章　画像分類入門
3.1　畳み込みニューラルネットワークの基礎
3.2　コンテスト「Dogs vs. Cats Redux」の紹介
3.3　最初の学習：CNNアーキテクチャ
3.4　最初の学習：データセットの準備と学習ループ
3.5　最適化アルゴリズムと学習率スケジューリング
3.6　データ拡張
3.7　アンサンブル
3.8　さらにスコアを伸ばすために

第4章　画像検索入門
4.1　画像検索タスク
4.2　学習済みモデルを使ったベースライン手法
4.3　ベースラインを実装する
4.4　距離学習を学ぶ
4.5　画像マッチングによる検証
4.6　クエリ拡張を学ぶ
4.7　Kaggleコンテストでの実践

第5章　テキスト分類入門
5.1　Quora Question Pairs
5.2　特徴量ベースのモデル
5.3　ニューラルネットワークベースのモデル