内容

目次

はじめに 本書のサポートページ 第1章　データ・AIが変える社会 1.1 ビッグデータ時代の到来：情報社会の変貌 　1.1.1 情報社会の発展とデータの役割 　1.1.2 ビッグデータの定義と特徴 　1.1.3 ビッグデータが生まれた背景 　1.1.4 ビッグデータ活用のメリットと可能性 　1.1.5 ビッグデータ活用の課題とリスク 　1.1.6 ビッグデータとAI の関係 　1.1.7 ビッグデータ活用の事例 　1.1.8 ビッグデータ時代の倫理的・法的課題 　1.1.9 持続可能なデータ活用に向けて 1.2 データ駆動型社会へのシフト： Society5.0とは 　1.2.1 社会の進化と産業革命の歴史 　1.2.2 Society5.0の概念と背景 　1.2.3 データ駆動型社会へのシフト 　1.2.4 Society5.0が目指す社会像 　1.2.5 技術革新とイノベーションの促進 　1.2.6 Society5.0実現への課題と対策 　1.2.7 国際的な動向と日本の役割 1.3 AI 技術の進化と可能性 　1.3.1 AIの歴史と発展 　1.3.2 深層学習の出現とAIの飛躍 　1.3.3 AI技術の現在と応用分野 　1.3.4 AI技術の可能性と展望 　1.3.5 AI技術が直面する課題と対策 1.4 データ・AI利活用の光と影：倫理的な視点 　1.4.1 データ収集とプライバシーの問題 　1.4.2 データのバイアスと公平性の課題 　1.4.3 AIの説明可能性と透明性 　1.4.4 AIの倫理的意思決定と社会的責任 1.5 AIが創造する未来：私たちが担う役割 　1.5.1 データ・AIがもたらす未来像 　1.5.2 社会的課題の解決と持続可能な発展 　1.5.3 産業構造の変革と新たなビジネスチャンス 　1.5.4 私たち一人ひとりの役割と必要なスキル 1.6 まとめ 1.7 演習問題 第2章　データを「読む」技術 2.1 データの種類と特徴：量的データと質的データ 　2.1.1 データとは 　2.1.2 量的データと質的データの区別 　2.1.3 データの尺度水準 　2.1.4 データの視覚化と分析手法 　2.1.5 データクレンジングとデータ前処理 2.2 データの分布：ヒストグラムと代表値 　2.2.1 データ分布の重要性 　2.2.2 ヒストグラムによるデータの可視化 　2.2.3 代表値の理解 　2.2.4 散布度の指標 　2.2.5 データ分布の種類 　2.2.6 正規分布と標準化 2.3 データのばらつき：分散と標準偏差 　2.3.1 データのばらつきの重要性 　2.3.2 分散と標準偏差の特徴 　2.3.3 Python による分散と標準偏差の計算 　2.3.4 分散と標準偏差の応用 2.4 データの関係性：相関と因果 　2.4.1 データ間の関係性の重要性 　2.4.2 相関の概念 　2.4.3 因果の概念 　2.4.4 相関と因果の違いを知る 　2.4.5 相関と因果の誤解を避ける 2.5 データからの推論：帰納と演繹 　2.5.1 帰納的推論とは 　2.5.2 帰納的推論と機械学習 　2.5.3 演繹的推論とは 　2.5.4 演繹的推論とアルゴリズム 　2.5.5 統計学における推論 　2.5.6 仮説検定 2.6 まとめ 2.7 演習問題 第3章　データを「説明する」技術 3.1 データの可視化：グラフによる表現 　3.1.1 データ可視化の重要性 　3.1.2 グラフの種類と適用場面 　3.1.3 グラフ作成の基本原則 　3.1.4 Python によるグラフの作成 　3.1.5 グラフのカスタマイズ 3.2 適切なグラフの選択：データの特徴を捉える 　3.2.1 グラフ選択の重要性 　3.2.2 データの種類とグラフの対応 　3.2.3 グラフ選択のガイドライン 　3.2.4 グラフ選択の具体例 　3.2.5 不適切なグラフ選択の例と改善 3.3 データの比較：条件を揃えて論理的に 　3.3.1 データ比較の重要性 　3.3.2 比較の基本原則 　3.3.3 統計的な比較手法 　3.3.4 平均値の比較：t 検定 　3.3.5 分散分析 　3.3.6 割合の比較：カイ二乗検定 　3.3.7 データ比較の視覚化 3.4 誤解を招くグラフ：データの誤用を見抜く 　3.4.1 よくあるグラフの誤用 　3.4.2 誤用を見抜くポイント 　3.4.3 適切なグラフの作成方法 3.5 データに基づいた説明：説得力のあるプレゼンテーション 　3.5.1 データの役割とプレゼンテーションの重要性 　3.5.2 プレゼンテーションの基本構造 　3.5.3 データの視覚化とその活用 　3.5.4 説得力を高めるためのポイント 　3.5.5 プレゼンテーションの実践的なコツ 3.6 まとめ 3.7 演習問題 第4章　データを「扱う」技術 4.1 データの取得：コンピュータが判読可能な形式 　4.1.1 データ取得の重要性 　4.1.2 コンピュータが判読可能な形式とは 　4.1.3 データ取得の方法 　4.1.4 データ取得の注意点 4.2 データの集計：基本統計量の算出 　4.2.1 データ集計の目的 　4.2.2 基本統計量とは 　4.2.3 Python による基本統計量の算出 　4.2.4 データ集計時の注意点 4.3 データの加工：データ解析ツールを活用 　4.3.1 データ加工の重要性 　4.3.2 データ前処理の手法 　4.3.3 データ解析ツールの活用 　4.3.4 データ加工時の注意点 4.4 まとめ 4.5 演習問題 第5章　データ・AI と倫理：責任ある活用のために 5.1 個人情報の保護：個人情報保護法とGDPR 　5.1.1 個人情報保護の重要性 　5.1.2 個人情報保護法とは 　5.1.3 GDPRとは 　5.1.4 個人情報保護法とGDPRの比較 　5.1.5 課題と展望 5.2 データ倫理：ねつ造・改ざん・盗用への対応 　5.2.1 データ倫理の重要性 　5.2.2 ねつ造、改ざん、盗用の定義 　5.2.3 不正行為が引き起こす影響 　5.2.4 ねつ造・改ざん・盗用の防止策 　5.2.5 不正行為が発覚した際の対応 5.3 AI倫理： AI開発と利用における課題 　5.3.1 AI倫理の重要性 　5.3.2 公平性とバイアスの問題 　5.3.3 透明性と説明可能性 　5.3.4 プライバシー保護とデータセキュリティ 　5.3.5 責任の所在 5.4 データバイアスとアルゴリズムバイアス：公平性への配慮 　5.4.1 データバイアスとは 　5.4.2 アルゴリズムバイアスとは 　5.4.3 公平性を確保するための対策 　5.4.4 バイアス排除の技術的手法 5.5 AIサービスの責任：透明性と説明責任 　5.5.1 透明性の重要性 　5.5.2 説明責任の確立 　5.5.3 説明責任と法的義務 　5.5.4 説明責任の実践 　5.5.5 透明性と説明責任の利点 5.6 まとめ 5.7 演習問題 第6章　AIの基礎：機械学習入門 6.1 機械学習とは：データから学習するAI 　6.1.1 機械学習の定義と特徴 　6.1.2 機械学習の具体例 　6.1.3 Pythonによる線形回帰モデルの実装 　6.1.4 機械学習の主要な要素 6.2 教師あり学習：分類と回帰 　6.2.1 分類問題 　6.2.2 Pythonによる分類問題の実装 　6.2.3 回帰問題 　6.2.4 Pythonによる回帰問題の実装 　6.2.5 教師あり学習におけるモデル評価の指標 6.3 教師なし学習：クラスタリング 　6.3.1 クラスタリング 　6.3.2 代表的なクラスタリング手法 　6.3.3 Pythonによるクラスタリングの実装 　6.3.4 教師なし学習におけるモデル評価の指標 6.4 機械学習モデルの評価：精度と汎化性能 　6.4.1 精度とは 　6.4.2 汎化性能の重要性 　6.4.3 データセットの分割 　6.4.4 学習曲線によるモデル評価 　6.4.5 交差検証 6.5 機械学習の応用：実社会における活用事例 　6.5.1 金融分野での応用 　6.5.2 医療分野での応用 　6.5.3 マーケティング分野での応用 6.6 まとめ 6.7 演習問題 第7章　深層学習： AIの進化を支える技術 7.1 ニューラルネットワーク：人間の脳を模倣したモデル 　7.1.1 ニューラルネットワークの基本構造 　7.1.2 階層型ニューラルネットワーク 　7.1.3 ニューロンの計算 　7.1.4 階層型ニューラルネットワークの学習 7.2 畳み込みニューラルネットワーク（CNN）：画像認識への応用 　7.2.1 画像と畳み込み演算の基本 　7.2.2 CNNの基本構造 7.3 再帰型ニューラルネットワーク（RNN）：時系列データの解析 　7.3.1 RNNの基本構造と系列処理の考え方 　7.3.2 RNNの学習と誤差の伝播 　7.3.3 応用例：自然言語・音声・センサーデータ解析 7.4 深層学習の応用分野：画像認識、自然言語処理など 　7.4.1 画像処理分野での応用 　7.4.2 自然言語処理分野での応用 　7.4.3 音声処理分野での応用 7.5 深層学習の未来：さらなる進化への期待 　7.5.1 技術革新の最前線 　7.5.2 自己教師あり学習の新展開 　7.5.3 ニューロシンボリックAIの展望 　7.5.4 社会実装に向けた本質的課題 　7.5.5 産業構造の変革と社会的インパクト 　7.5.6 持続可能性への取り組み 　7.5.7 人間とAIの共生に向けて 　7.5.8 展望：2030年とその先を見据えて 7.6 まとめ 7.7 演習問題 第8章　自然言語処理：言葉のAI 8.1 テキストデータの特徴：形態素解析と構文解析 　8.1.1 形態素解析の基本概念 　8.1.2 日本語形態素解析の特徴 　8.1.3 構文解析の基本 　8.1.4 構文解析の応用 8.2 ニュース記事の分析：自然言語処理による実践的応用 　8.2.1 ニュースデータの収集と前処理 　8.2.2 感情分析（センチメント分析） 　8.2.3 トピック分類とクラスタリング 　8.2.4 要約生成と見出し自動化 　8.2.5 時系列トレンド分析と可視化 8.3 感情分析：テキストデータから感情を読み取る 　8.3.1 感情分析の分類タスク 　8.3.2 感情分析のアプローチ 　8.3.3 感情分析のPythonによる実装例 　8.3.4 応用事例 　8.3.5 課題と展望 8.4 機械翻訳：言葉の壁を超える技術 　8.4.1 機械翻訳の進化：ルールから学習へ 　8.4.2 ニューラル機械翻訳の構造と仕組み 　8.4.3 Transformerモデルによる翻訳の実例 　8.4.4 応用例：日常から国際舞台まで 　8.4.5 課題と展望 8.5 テキスト要約：膨大な情報から重要な部分を抽出 　8.5.1 テキスト要約の分類：抽出的要約と生成的要約 　8.5.2 抽出的要約の代表的手法 　8.5.3 生成的要約のアプローチとモデル 　8.5.4 実用例と社会的応用 　8.5.5 マルチモーダル要約：画像や音声を含む情報の統合的要約 　8.5.6 対話要約システム：会話内容をわかりやすく整理するAI 　8.5.7 課題と展望 8.6 自然言語処理の応用：チャットボット、文章生成など 　8.6.1 チャットボット：対話型インターフェースの進化 　8.6.2 文章生成：AIによる創作と言語表現の自動化 　8.6.3 課題と倫理的配慮 8.7 まとめ 8.8 演習問題 第9章　画像認識：視覚のAI 9.1 画像データの特徴：ピクセルと特徴量 　9.1.1 デジタル画像の基本構造 　9.1.2 画像の前処理と正規化 　9.1.3 画像特徴量の基本的な考え方 　9.1.4 エッジと勾配情報の活用 　9.1.5 テクスチャ情報の解析 　9.1.6 局所特徴量とその応用 9.2 物体認識：画像の中から特定の物体を検出 　9.2.1 物体認識の基本概念 　9.2.2 従来の物体検出手法 　9.2.3 深層学習による物体検出の革新 　9.2.4 リアルタイム物体検出の実現 9.3 画像分類：画像をカテゴリに分類 　9.3.1 画像分類の基本概念 　9.3.2 従来の画像分類手法 　9.3.3 CNNによる画像分類 　9.3.4 代表的なCNNアーキテクチャ 　9.3.5 画像分類システムの構築 　9.3.6 精度向上のための技術と工夫 　9.3.7 マルチタスク学習と転移学習 　9.3.8 実世界での応用と課題 　9.3.9 画像分類技術の展望と課題 9.4 画像認識の応用 　9.4.1 自動運転における画像認識 　9.4.2 顔認証システム 　9.4.3 医療画像診断支援 　9.4.4 監視カメラシステム 　9.4.5 製造業における品質管理 　9.4.6 小売業での活用 　9.4.7 スポーツ分析への応用 　9.4.8 今後の展望と課題 9.5 画像認識技術の進歩：精度向上と新たな可能性 　9.5.1 アーキテクチャの進化 　9.5.2 効率的な学習手法の発展 　9.5.3 計算効率の向上 　9.5.4 マルチモーダル学習の発展 　9.5.5 説明可能なAI への取り組み 　9.5.6 自己教師あり学習の新展開 　9.5.7 次世代の画像認識に向けて 9.6 まとめ 9.7 演習問題 第10章　時系列データ解析：時間の流れを読み解く 10.1 時系列データとは：時間的順序をもつデータ 　10.1.1 時系列データの基本的な特徴 　10.1.2 時系列データの種類と例 　10.1.3 時系列データの表現と前処理 　10.1.4 時系列データの基本的な特性分析 　10.1.5 時系列データの視覚化技術 　10.1.6 時系列データの収集と品質管理 　10.1.7 時系列データ分析の応用分野 10.2 トレンド分析：長期的な変化を捉える 　10.2.1 トレンドの基本的な性質 　10.2.2 トレンドの検出手法 　10.2.3 トレンドの分解と解釈 　10.2.4 トレンドの予測と信頼性評価 　10.2.5 構造変化の検出と対応 　10.2.6 非線形トレンドの分析 　10.2.7 季節性を考慮したトレンド分析 　10.2.8 トレンド分析の応用事例 10.3 季節変動：周期的なパターンを見つける 　10.3.1 季節変動の基本的な性質 　10.3.2 季節変動の検出と分析 　10.3.3 スペクトル分析による周期性の検出 　10.3.4 季節調整手法 　10.3.5 複数の周期性の分析 　10.3.6 特殊日の影響分析 　10.3.7 季節変動の予測と活用 　10.3.8 実装上の注意点 10.4 時系列データの予測：未来を予測する 　10.4.1 時系列予測の基本的な考え方 　10.4.2 代表的な予測手法 　10.4.3 予測モデルの評価指標 　10.4.4 応用分野と実社会での活用例 10.5 時系列データ解析の応用：経済予測、需要予測など 　10.5.1 経済予測への応用 　10.5.2 需要予測への応用 　10.5.3 その他の応用分野 10.6 まとめ 10.7 演習問題 第11章　データ・AI利活用：現場で活きる知識 11.1 データサイエンスのサイクル：課題解決のプロセス 　11.1.1 データサイエンスのサイクルとは 　11.1.2 課題定義の重要性 　11.1.3 データ収集と前処理 　11.1.4 データ解析とモデル構築 　11.1.5 結果の解釈と意思決定 　11.1.6 評価とフィードバック 11.2 データ分析の進め方：データに基づいた意思決定 　11.2.1 データに基づく意思決定の重要性 　11.2.2 データ分析のプロセス 　11.2.3 データの可視