人工知能アルゴリズムシリーズは、数学的に理解しやすい方法で人工知能関連の概念を教えます。これは、このシリーズの本の英語タイトルの「人間のために」の意味でもあります。
このシリーズの本の各巻は、個別に、またはシリーズ全体として読むことができます。ただし、第1巻には、後続の巻で使用されるさまざまな基本アルゴリズムがリストされており、これらのアルゴリズム自体が基本であり実用性でもあることに注意してください。
2020年1月、人工知能アルゴリズムに関する本シリーズの第1巻が出版されました。
高層ビルを建てたい場合は、基礎に集中する必要があります。この本は、寸法法、距離測定アルゴリズム、クラスタリングアルゴリズム、エラー計算、山登りアルゴリズム、線形回帰、離散学習などの人工知能アルゴリズムを教えます。これらのアルゴリズムは、データ内の特定のパターンの処理と識別に対応し、AmazonやNetflixなどのWebサイトのさまざまなレコメンデーションシステムの背後にあるロジックでもあります。
これらのアルゴリズムは、後続のボリュームで導入されるアルゴリズムの基礎であるだけでなく、それ自体でも非常に役立ちます。この本では、これらのアルゴリズムの説明に実際の数値計算の例が付いています。
第1巻に記載されているオンライン学習リソース
1つ目はカーンアカデミーです。カーンアカデミーでは、さまざまな数学的概念を教える多くのYouTube動画を収集して整理しています。特定の概念を確認する必要がある場合、カーンアカデミーにはおそらく必要なビデオの説明があり、読者はそれを自分で見つけることができます。
2つ目は、ウェブサイトの「ニューラルネットワークに関するよくある質問」です。プレーンテキストのリソースとして、ニューラルネットワークやその他の人工知能分野に関する多くの関連情報があります。
http://www.faqs.org/faqs/ai-faq/neural-nets/
さらに、Encogプロジェクトのwikiページにも多くの機械学習コンテンツがあり、このコンテンツはEncogプロジェクトに限定されていません。
http://www.heatonresearch.com/wiki/Main_Page
最後に、人工知能とニューラルネットワークに関連するトピックについては、Encogのフォーラムで議論することもできます。これらのフォーラムは非常に活発です。あなたの質問は、コミュニティメンバーまたは私自身からも回答を得る可能性があります。
http://www.heatonresearch.com/forum
2021年11月、「人工知能アルゴリズム（第2巻）：自然に触発されたアルゴリズム」が出版されました。
この本の例では、誰もが理解できるように擬似コードを使用しています。この本のGitHubオープンソースライブラリは、いくつかのプログラミング言語のバージョンを提供しているため、練習を通じて学習プロセスを強化できます。これらの「秘密のない」コードは自分で変更できます。これは「ブラックボックス」のデモではありません。プログラマーで、Java、R、Python、C＃、C、Scala、その他の言語のいずれかを使用している場合（さらに多くの言語がある場合もあります）、すべてのサンプルコードをダウンロードして実行できます。これらのコードはテスト済みであり、正常に実行できます。コードのデバッグに時間を費やす必要はありません。AI学習プロセスの経験を楽しむだけです。
このボリュームでは、ジェフは遺伝的アルゴリズム、蟻コロニー最適化、粒子群最適化などのアルゴリズムを紹介し、それらの使用法（いつ、なぜそれらが役立つか）とそれらを実装する方法を示します。これらは重要なトピックです。彼の「人工知能アルゴリズム」シリーズの本は、多くの人が気が遠くなるようないくつかのエキサイティングなトピックを紹介しています。この本は脳外科について話しているのですか？いいえ！しかし、それはニューラルネットワークとディープビリーフネットワークなどのいくつかの最先端のトピックを含みます。この本を楽しんで、このシリーズの本を楽しんで、そしてこの冒険を楽しんでください！
この本は、遺伝子、鳥、アリ、細胞、および木に基づくアルゴリズムを紹介します。これらのアルゴリズムを使用して、最適なパスを見つけ、パターンを特定し、データの背後にある式を見つけ、さらには単純な生活をシミュレートすることもできます。
時々、自然界の生き物は互いに協力します。オオカミが一緒に狩りをすると、鳥はグループで移動します。プログラマーは、仮想生物のグループを設計し、それらを使用して一緒に問題を解決することができます。
また、自然界の生き物同士が競い合うこともあります。「適者生存」を利用して、プログラムの進化を導くことができます。進化的アルゴリズムにより、複数の潜在的なソリューションが競合し、増殖し、進化することができます。何世代にもわたって、潜在的に優れたソリューションが進化していきます。
私たちは自然からインスピレーションを求めるだけであり、自然を模倣することはなく、必要に応じて生物学的プロセスから逸脱することができることを覚えておくことが重要です。高度なコンピューターでシミュレートできるプロセスと比較すると、実際の生物学的プロセスは通常、はるかに複雑です。
2021年3月に「人工知能アルゴリズム第3巻深層学習とニューラルネットワーク」が出版され、現在、新しい本のリストに載っています。
ニューラルネットワークの再出現は、Hinton G.（2006）が新しいディープニューラルネットワークトレーニングアルゴリズムを提案したためです。高速グラフィックスプロセッシングユニット（GPU）の最新の進歩により、プログラマーは3つ以上のレイヤーでニューラルネットワークをトレーニングできます。プログラマーは、ディープニューラルネットワークの利点に徐々に気づき、テクノロジーが再び普及するようになりました。
この本の残りの部分の基礎を築くために、さまざまなタスクにまだ役立つ古典的なニューラルネットワークを分析することから始めます。私たちの分析には、自己組織化マップ（SOM）、ホップフィールドニューラルネットワーク、ボルツマンマシンなどの概念が含まれています。また、FeedForwardニューラルネットワーク（FFNN）を紹介し、それをトレーニングするいくつかの方法を示しました。
多くの層を持つフィードフォワードニューラルネットワークは、ディープニューラルネットワークになります。この本には、GPUサポートなどのディープネットワークをトレーニングする方法が含まれています。また、ランダムドロップアウト、正則化、畳み込みなど、ディープラーニングに関連する手法についても説明します。最後に、予測モデリングや画像認識など、ディープラーニングの実際の例を通じてこれらのテクノロジーを示します。
ニューラルネットワークルートガイダンス
この本には、さまざまな種類のニューラルネットワークが含まれています。これらのニューラルネットワークとその例を提供して、特定の問題領域のニューラルネットワークを示します。すべてのニューラルネットワークがすべての問題領域に適しているわけではありません。ニューラルネットワークプログラマーは、特定の問題にどのニューラルネットワークを使用するかを知る必要があります。
これは、この本の残りの部分への高レベルのガイドであり、この本の関心のある分野をガイドします。表1は、この本のニューラルネットワークのタイプとそれらに適用可能な問題領域を示しています。
表1にリストされている問題のドメインを以下に説明します。
- クラスタリング：教師なしクラスタリングの問題。
- 回帰：回帰問題の場合、ニューラルネットワークは入力に基づいて数値を出力する必要があります。
- 分類：分類問題の場合、ニューラルネットワークはデータポイントを事前定義されたカテゴリに分割する必要があります。
- 予測：ニューラルネットワークは、金融アプリケーションからの信号など、時間内のイベントを予測する必要があります。
- ロボット：センサーとモーターによって制御されるロボット。
- ビジョン：コンピュータービジョン（CV）の問題では、コンピューターが画像を理解する必要があります。
- 最適化：目標を達成するために最適なランキングまたは値のセットを見つけるためにニューラルネットワークを必要とする最適化問題。
チェックマークの数（√）は、特定の問題に対する各ニューラルネットワークタイプの適用可能性を示します。チェックされていない場合は、ニューラルネットワークタイプを問題のあるドメインに適用できないことを意味します。
すべてのニューラルネットワークには、ニューロン、重み、活性化関数、層など、ニューラルネットワークの構成要素であるいくつかの共通の機能があります。この本の第1章では、これらの概念を紹介し、ほとんどのニューラルネットワークに共通する基本的な機能を紹介します。
私はあなたに幸せな読書を願っています！