本書のコンセプト　準備は最小限で習うより慣れろで

第1部　人工知能の基本的なことを知る

第1章　人工知能の現状を知る
■ 既に利用が考えられている分野
■ IoT でもいろんなことに使えるはず
■ 主な種類
■ 分類
■ データとアルゴリズムの理解が重要

第2章　使えそうなアルゴリズムを知る
■ 組み込まれるAI に注目する理由
■ アルゴリズムの系列
■ 本書で紹介するアルゴリズム選択のポイント
■ アルゴリズム1：K-means
■ アルゴリズム2：多層パーセプトロン
■ アルゴリズム3：ロジスティック回帰
■ アルゴリズム4：SVM

Appendix 1　流行りのディープ・ラーニングとの違い
■ ディープ・ラーニングは大規模になるのでチーム開発向き
■ ホントはクラウドじゃないAIの方がポテンシャルがある
■ いいAIを作ろうと思ったら結局資源の節約はついてまわる

第2部　動く電子ノートJupyter Notebookを始める

第1章 おすすめの動くPython電子ノートJupyter Notebookをはじめる
■ 特徴
■ 画面表示
■ 基本的な使い方

第2章　Jupyter Notebookの主な機能をおさえる

第3部　おすすめAIアルゴリズムを電子ノートで動かす

Appendix 1　習うより慣れろでAIを体験する
■ 体験するのは「学習」と「予測」
■ 体験する人工知能

第1章　動かすAIアルゴリズムとプログラムを確認する
■ ここで動かすおすすめアルゴリズム
■ 用意したAI プログラム

Appendix 2　ラズパイでAIを動かす準備をする
■ ステップ1：プログラムのダウンロード
■ ステップ2：microSDカード選び
■ ステップ3：書き込みアプリの入手
■ ステップ4：イメージ・ファイルの書き込み

第2章　軽くてシンプルでLチカ相当「K-means」を動かす
■ 軽くてシンプルK―means の特徴
■ ラズベリー・パイで動かす準備
■ サンプル・プログラムを実行する方法
■ ライブラリの読み込みとデータ生成
■ データのクラス分け
■ クラスタ数を変えてみる
■ KMeans関数を詳しく

第3章　あのディープ・ラーニングの原型「多層パーセプトロン」を動かす
■ ディープ・ラーニングの原型「多層パーセプトロン」の特徴
■ プログラムの構成
■ トレーニング・データとテスト・データの準備
■ 学習と予測
■ パラメータの当たりを付ける
■ 再予測
■ 多層パーセプトロンを実行してくれるMLPClassifier関数

第4章　うまくいく/いかない2択の王者「ロジスティック回帰」を動かす
■ 幅広く使われる確率的分類「ロジスティック回帰」の特徴
■ プログラムの流れ
■ トレーニング・データとテスト・データの準備
■ 学習と予測
■ データの標準化
■ 再学習
■ 予測
■ ロジスティック回帰を実現するLogisticRegression関数を詳しく
コラム　 用語解説

第4部　My人工知能を作るステップを体験する

Appendix 1　第4部でやること

Appendix 2　My人工知能カメラのハードウェア

第1章　ステップ1：撮影/特徴抽出/データ・セット作成
■ ここでやること
■ ステップ1：初期設定
■ ステップ2：センサやモータを使う場合の設定
■ ステップ3：撮影
■ ステップ4：他の撮影対象の画像取得
■ ステップ5：データ・セットの作成

Appendix 3　「簡易版」My人工知能カメラのハードウェア
■ 装置の全体像
■ プログラムの各処理

第2章　ステップ2：学習させる
■ 用意したデータから「トレーニング・データ」と「テスト・データ」を生成
■ サポート・ベクタ・マシン(SVM)の特徴
■ SVC 用の関数について
■ 学習
■ 作成した学習済みモデルの評価

第3章　ステップ3：予測す
■ 準備
■ 新たに撮影したデータの取り込み
■ 予測
■ 作成したモデルが機能しているかの確認
コラム　 簡易AI判定カメラ向けに体験サンプルDも用意しています

機械学習やデータ・サイエンスを学びたい方へ
■ データ・サイエンスの始め方
■ 参考になりそうな資料
■ データ・サイエンスはこんなところで役立つ