目次

第1章　機械による学習のはじまり
　1.1　人工知能の夢
　1.2　パーセプトロン
　1.3　エキスパートシステム
　1.4　得られた教訓とその後の発展
　コラム：線形分離可能とは何か

第2章　数学の基礎を準備
　2.1　データテーブルは行列である
　2.2　行列とベクトルの計算
　2.3　偏微分
　2.4　行列とベクトルの偏微分
　コラム：行列とベクトルに一貫性がないnumpy

第3章　線形から非線形へ
　3.1　線形モデルとは
　3.2　SEM と決定木
　3.3　活性化関数
　3.4　非線形最適化
　コラム：測定尺度とは何か

第4章　量的な予測を行うディープラーニング
　4.1　分析データとモデル
　4.2　誤差逆伝播法
　4.3　手計算で確かめるディープラーニング
　4.4　いくつかの改善点
　コラム：勾配行列の高速導出

第5章　質的な分類を行うディープラーニング
　5.1　交差エントロピー基準
　5.2　ソフトマックス関数による確率予測
　5.3　フォワードとバックワードのプロセス
　5.4　Python でコーディング
　コラム1：シャノンの情報量
　コラム2：ディープラーニングの計算法

第6章　学習結果の適用
　6.1　予測フェーズ
　6.2　予測は適中するか
　6.3　判別分析と比べる
　6.4　データハンドリング
　コラム：ディープラーニングの様々なモデル

第7章　機械学習を成功させる工夫
　7.1　過学習と予測の妥当性
　7.2　ミニバッチはなぜ必要か
　7.3　入力データの標準化
　7.4　ソフトウェアとビジネスへの応用
　コラム：ディープラーニングで使われる用語

第8章　ディープラーニングによる広告効果測定
　8.1　広告効果分析
　8.2　ディープラーニングによる広告効果モデリング
　8.3　広告効果の予測
　8.4　クリエイティブの制作企画支援
　コラム1：畳み込みニューラルネットワーク
　コラム2：再帰型ニューラルネットワーク

付録A Python の環境設定
付録B お勧め図書
引用文献
あとがき
索　引