第 I 部 数値シミュレーションで開始
　1.シミュレーションモデル入門
　　1. 1　技 術 要 件
　　1. 2　シミュレーションモデル入門
　　　1. 2. 1　意思決定ワークフロー
　　　1. 2. 2　モデル化とシミュレーションの違い
　　　1. 2. 3　シミュレーションモデルの賛否両論
　　　1. 2. 4　シミュレーションモデル用語
　　1. 3　シミュレーションモデルの分類
　　　1. 3. 1　静的モデルと動的モデルの比較
　　　1. 3. 2　決定論的モデルと確率的モデルの比較
　　　1. 3. 3　連続モデルと離散モデルとの比較
　　1. 4　シミュレーションに基づいた問題への取り組み
　　　1. 4. 1　問 題 分 析
　　　1. 4. 2　データ収集
　　　1. 4. 3　シミュレーションモデルのセットアップ
　　　1. 4. 4　シミュレーションソフトウェアの選択
　　　1. 4. 5　ソフトウェアソリューションの検証
　　　1. 4. 6　シミュレーションモデルの検証
　　　1. 4. 7　シミュレーションと結果の分析
　　1. 5　離散イベントシミュレーション（DES）の検討
　　　1. 5. 1　有限状態マシン（FSM）
　　　1. 5. 2　状態遷移表（STT）
　　　1. 5. 3　状態遷移グラフ（STG）
　　1. 6　動的システムのモデル化
　　　1. 6. 1　作業場の機械の管理
　　　1. 6. 2　調和振動子
　　　1. 6. 3　捕食者・被食者モデル
　　1. 7　実世界のシステムを分析するための効率的なシミュレーション
　　1. 8　まとめ
　2.ランダム性と乱数の理解
　　2. 1　技 術 要 件
　　2. 2　確 率 過 程
　　　2. 2. 1　確率過程の種類
　　　2. 2. 2　確率過程の例
　　　2. 2. 3　ベルヌーイ過程
　　　2. 2. 4　ランダムウォーク
　　　2. 2. 5　ポワソン過程
　　2. 3　乱数シミュレーション
　　　2. 3. 1　確 率 分 布
　　　2. 3. 2　乱数の性質
　　2. 4　擬似乱数生成器
　　　2. 4. 1　乱数生成器の得失
　　　2. 4. 2　乱数生成アルゴリズム
　　　2. 4. 3　線形合同法
　　　2. 4. 4　一様分布の乱数
　　　2. 4. 5　ラグ付きフィボナッチ法
　　2. 5　一様分布の検定
　　　2. 5. 1　カイ二乗検定
　　　2. 5. 2　一様性検定
　　2. 6　乱数分布の汎用的な手法の検討
　　　2. 6. 1　逆 関 数 法
　　　2. 6. 2　採択棄却法
　　2. 7　Python による乱数生成
　　　2. 7. 1　random モジュールの紹介
　　　2. 7. 2　実数値分布の生成
　　2. 8　セキュリティのためのランダム性の要件
　　　2. 8. 1　パスワードに基づく認証システム
　　　2. 8. 2　ランダムパスワード生成器
　　2. 9　暗号用乱数生成器
　　　2. 9. 1　暗号技術入門
　　　2. 9. 2　ランダム性と暗号技術
　　　2. 9. 3　暗号化/復号化メッセージ生成器
　　2. 10　まとめ
　3.確率とデータ生成プロセス
　　3. 1　技 術 要 件
　　3. 2　確率概念の説明
　　　3. 2. 1　事象の種類
　　　3. 2. 2　確率の計算
　　　3. 2. 3　確率の定義と例
　　3. 3　ベイズの定理の理解
　　　3. 3. 1　複 合 確 率
　　　3. 3. 2　ベイズの定理
　　3. 4　確率分布の検討
　　　3. 4. 1　確率密度関数と確率関数
　　　3. 4. 2　平均と分散
　　　3. 4. 3　一 様 分 布
　　　3. 4. 4　二 項 分 布
　　　3. 4. 5　正 規 分 布
　　3. 5　合成データの生成
　　　3. 5. 1　実データと人工的データ
　　　3. 5. 2　合成データの生成手法
　　3. 6　Keras を用いたデータ生成
　　　3. 6. 1　データ拡張
　　3. 7　検定力分析のシミュレーション
　　　3. 7. 1　統計的検定の検出力
　　　3. 7. 2　検定力分析
　　3. 8　まとめ
第 II 部 シミュレーションモデリングアルゴリズムと技法
　4.モンテカルロシミュレーション
　　4. 1　技 術 要 件
　　4. 2　モンテカルロシミュレーション入門
　　　4. 2. 1　モンテカルロシミュレーションの要素
　　　4. 2. 2　最初のモンテカルロアプリケーション
　　　4. 2. 3　モンテカルロアプリケーション
　　　4. 2. 4　モンテカルロ法を用いた π の値の推定
　　4. 3　中心極限定理の理解
　　　4. 3. 1　大数の法則
　　　4. 3. 2　中心極限定理
　　4. 4　モンテカルロシミュレーションの応用
　　　4. 4. 1　確率分布の生成
　　　4. 4. 2　数値最適化
　　　4. 4. 3　プロジェクト管理
　　4. 5　モンテカルロ法を使う数値積分
　　　4. 5. 1　問題の定義
　　　4. 5. 2　数値解
　　　4. 5. 3　最小最大検出
　　　4. 5. 4　モンテカルロ法
　　　4. 5. 5　可視化表現
　　4. 6　感度分析の概念の検討
　　　4. 6. 1　局所方式と大域方式
　　　4. 6. 2　感度分析手法
　　　4. 6. 3　感度分析の実際
　　4. 7　交差エントロピー手法
　　　4. 7. 1　交差エントロピーの導入
　　　4. 7. 2　Python での交差検証
　　　4. 7. 3　損失関数としてのバイナリ交差エントロピー
　　4. 8　まとめ
　5.シミュレーションに基づいたマルコフ決定過程
　　5. 1　技 術 要 件
　　5. 2　エージェントに基づくモデルの紹介
　　5. 3　マルコフ過程の概観
　　　5. 3. 1　エージェント–環境インタフェース
　　　5. 3. 2　MDP の検討
　　　5. 3. 3　割引累積報酬の理解
　　　5. 3. 4　探索概念と活用概念の比較
　　5. 4　マルコフ連鎖の紹介
　　　5. 4. 1　遷 移 行 列
　　　5. 4. 2　遷 移 図 式
　　5. 5　マルコフ連鎖の応用
　　　5. 5. 1　ランダムウォーク（酔歩）
　　　5. 5. 2　1 次元ランダムウォーク
　　　5. 5. 3　1 次元ランダムウォークのシミュレーション
　　　5. 5. 4　気象予報をシミュレーション
　　5. 6　ベルマン方程式の説明
　　　5. 6. 1　動的計画法の概念
　　　5. 6. 2　最適化原理
　　　5. 6. 3　ベルマン方程式
　　5. 7　マルチエージェントシミュレーション
　　5. 8　シェリングの分離モデル
　　　5. 8. 1　Python のシェリングモデル
　　5. 9　まとめ
　6.リサンプリング手法
　　6. 1　技 術 要 件
　　6. 2　リサンプリング手法の紹介
　　　6. 2. 1　サンプリング概念一覧
　　　6. 2. 2　サンプリングを行う理由
　　　6. 2. 3　サンプリングについての賛否
　　　6. 2. 4　確率サンプリング
　　　6. 2. 5　サンプリングのやり方
　　6. 3　ジャックナイフ技法の検討
　　　6. 3. 1　ジャックナイフ法の定義
　　　6. 3. 2　変動係数の推定
　　　6. 3. 3　Python によるジャックナイフサンプリングの実装
　　6. 4　ブートストラッピングの謎を解く
　　　6. 4. 1　ブートストラッピングの紹介
　　　6. 4. 2　ブートストラップ定義問題
　　　6. 4. 3　Python によるブートストラップリサンプリング
　　　6. 4. 4　ジャックナイフとブートストラップの比較
　　6. 5　ブートストラッピング回帰の適用
　　6. 6　並べ替え検定の説明
　　6. 7　並べ替え検定を行う
　　6. 8　交差検証技法への取り組み
　　　6. 8. 1　検証集合方式
　　　6. 8. 2　1 つ抜き交差検証
　　　6. 8. 3　k 分割交差検証
　　　6. 8. 4　Python を使った交差検証
　　6. 9　まとめ
　7.シミュレーションを使ってシステムを改善し最適化する
　　7. 1　技 術 要 件
　　7. 2　数値最適化技法の紹介
　　　7. 2. 1　最適化問題の定義
　　　7. 2. 2　局所最適性の説明
　　7. 3　勾配降下法の検討
　　　7. 3. 1　降下法の定義
　　　7. 3. 2　勾配降下アルゴリズムの方式
　　　7. 3. 3　学習率の理解
　　　7. 3. 4　試行錯誤法の説明
　　　7. 3. 5　Python による勾配降下の実装
　　7. 4　ニュートン–ラフソン法の理解
　　　7. 4. 1　解を求めるためにニュートン–ラフソン法を使う
　　　7. 4. 2　数値最適化に対するニュートン–ラフソン法の方式
　　　7. 4. 3　ニュートン–ラフソン法の適用
　　　7. 4. 4　割線法
　　7. 5　確率的勾配降下法の知識を深める
　　7. 6　期待値最大化（EM）アルゴリズムの方式
　　　7. 6. 1　ガウス混合問題のための EM アルゴリズム
　　7. 7　シミュレーテッドアニーリング（SA）法の理解
　　　7. 7. 1　反復改善アルゴリズム
　　　7. 7. 2　SA の 実 際
　　7. 8　Python による多変量最適化発見手法
　　　7. 8. 1　ネルダー–ミード法
　　　7. 8. 2　パウエルの共役方向法
　　　7. 8. 3　他の最適化方法論のまとめ
　　7. 9　まとめ
　8.進化システム入門
　　8. 1　技 術 要 件
　　8. 2　SC 入 門
　　　8. 2. 1　ファジー論理（FL）
　　　8. 2. 2　人工的ニューラルネットワーク（ANN）
　　　8. 2. 3　進 化 計 算
　　8. 3　遺伝プログラミングの理解
　　　8. 3. 1　遺伝アルゴリズム（GA）入門
　　　8. 3. 2　GAの基本
　　　8. 3. 3　遺伝演算子
　　8. 4　遺伝アルゴリズムの探索と最適化への適用
　　8. 5　記号的回帰（SR）の実行
　　8. 6　CA（セルオートマトン）モデルの検討
　　　8. 6. 1　ライフゲーム
　　　8. 6. 2　CA のウルフラム・コード
　　8. 7　まとめ
第 III 部 実世界の問題解決にシミュレーションを応用する
　9.金融工学にシミュレーションモデルを活用する
　　9. 1　技 術 要 件
　　9. 2　幾何学的なブラウン運動モデルの理解
　　　9. 2. 1　標準ブラウン運動の定義
　　　9. 2. 2　ランダムウォークとしてウィーナー過程を扱う
　　　9. 2. 3　標準ブラウン運動の実装
　　9. 3　モンテカルロ法を使った株価予測
　　　9. 3. 1　アマゾン株価のトレンドの検討
　　　9. 3. 2　時系列で株価傾向を扱う
　　　9. 3. 3　ブラック–ショールズモデル入門
　　　9. 3. 4　モンテカルロシミュレーションの適用
　　9. 4　ポートフォリオ管理のリスクモデルの研究
　　　9. 4. 1　リスク尺度としての分散
　　　9. 4. 2　バリュー・アット・リスク指標の紹介
　　　9. 4. 3　NASDAQ の株式資産の VaR を推定する
　　9. 5　まとめ
　10.ニューラルネットワークを使って物理現象をシミュレーションする
　　10. 1　技 術 要 件
　　10. 2　ニューラルネットワークの基本的入門
　　　10. 2. 1　生物のニューラルネットワークの理解
　　　10. 2. 2　ANN の検討
　　10. 3　フィードフォワードニューラルネットワークの理解
　　　10. 3. 1　ニューラルネットワークの訓練の検討
　　10. 4　ANN を使った翼の自己雑音シミュレーション
　　　10. 4. 1　pandas を使ってデータをインポート
　　　10. 4. 2　sklearn を使ったデータスケーリング
　　　10. 4. 3　matplotlib を用いてデータを可視化する
　　　10. 4. 4　データの分割
　　　10. 4. 5　多重線形回帰の説明
　　　10. 4. 6　多層パーセプトロン回帰モデルの理解
　　10. 5　深層ニューラルネットワークへの取り組み
　　　10. 5. 1　畳み込みニューラルネットワークをよく理解する
　　　10. 5. 2　リカレントニューラルネットワークの検証
　　　10. 5. 3　長期短期記憶ネットワークの分析
　　10. 6　グラフニューラルネットワーク（GNN）の検討
　　　10. 6. 1　グラフ理論入門
　　　10. 6. 2　隣 接 行 列
　　　10. 6. 3　GNN
　　10. 7　ニューラルネットワーク技法を使ったシミュレーションモデリング
　　　10. 7. 1　コンクリート品質予測モデル
　　10. 8　まとめ
　11.プロジェクト管理でのモデル化とシミュレーション
　　11. 1　技 術 要 件
　　11. 2　プロジェクト管理入門
　　　11. 2. 1　what-if 分析の理解
　　11. 3　簡単な森林管理問題
　　　11. 3. 1　マルコフ過程のまとめ
　　　11. 3. 2　最適化プロセスの検討
　　　11. 3. 3　MDPtoolbox の紹介
　　　11. 3. 4　簡単な森林管理の例の定義
　　　11. 3. 5　MDPtoolbox を使って管理問題に取り組む
　　　11. 3. 6　火災発生の確率を変える
　　11. 4　モンテカルロ森林管理を使ったプロジェクトのスケジュール管理
　　　11. 4. 1　スケジューリンググリッドの定義
　　　11. 4. 2　タスクの時間を推定する
　　　11. 4. 3　プロジェクトスケジューリングのアルゴリズムを開発する
　　　11. 4. 4　三角分布の検討
　　11. 5　まとめ
　12.動的な系における故障診断のシミュレーションモデル
　　　12. 1技 術 要 件
　　12. 2　故障診断入門
　　　12. 2. 1　故障診断手法の理解
　　　12. 2. 2　機械学習ベースの方式
　　12. 3　モーターギアボックスの故障診断モデル
　　12. 4　無人航空機の故障診断システム
　　12. 5　まとめ
　13.次 は 何 か
　　13. 1　シミュレーションモデルに関する基本概念のまとめ
　　　13. 1. 1　乱 数 生 成
　　　13. 1. 2　モンテカルロ法の応用
　　　13. 1. 3　マルコフ意思決定過程について
　　　13. 1. 4　リサンプリング手法の分析
　　　13. 1. 5　数値最適化技法の検討
　　　13. 1. 6　シミュレーションのための人工ニューラルネットワーク使用
　　13. 2　実生活へのシミュレーションモデルの応用
　　　13. 2. 1　ヘルスケアでのモデリング
　　　13. 2. 2　金融アプリケーションでのモデリング
　　　13. 2. 3　物理現象のモデリング
　　　13. 2. 4　故障診断システムのモデリング
　　　13. 2. 5　公共交通機関のモデリング
　　　13. 2. 6　人間の振る舞いのモデリング
　　13. 3　シミュレーションモデリングの次のステップ
　　　13. 3. 1　計算能力の増加
　　　13. 3. 2　機械学習に基づいたモデル
　　　13. 3. 3　シミュレーションモデルの自動生成
　　13. 4　まとめ
訳者あとがき
索 引