計測・制御セレクションシリーズ 5 機械学習の可能性

計測・制御セレクションシリーズ 5

機械学習の可能性

計測自動制御学会編
浮田浩行徳島大講師博士（情報学）編著
濱上知樹横浜国大教授博士（工学）編著
藤吉弘亘中部大教授博士（工学）著
大町真一郎東北大教授博士（工学）著
戸田智基名大教授博士（工学）著
岩崎敦電通大准教授博士（学術）著
小林泰介国立情報学研究所助教博士（工学）著
鈴木亮太埼玉大助教博士（工学）著
木村雄喜（株）明電舎著
橋本大樹みずほリサーチ＆テクノロジーズ（株）著
玉垣勇樹みずほリサーチ＆テクノロジーズ（株）著
水谷麻紀子みずほリサーチ＆テクノロジーズ（株）著
永田毅みずほリサーチ＆テクノロジーズ（株）博士（理学）著
木村光成（株）ECC 著
李晃伸名工大教授博士（情報学）著
川嶋宏彰兵庫県立大教授博士（情報学）著

現在，どのような分野でどのように機械学習が用いられているのか，網羅的に解説している。

ジャンル

発行年月日: 2023/01/16

判型: A5

ページ数: 240ページ

ISBN: 978-4-339-03385-4

在庫あり

2営業日以内に出荷致します。

定価

3,960円(本体3,600円+税)

カートに入れる

購入案内

内容紹介
まえがき
目次
レビュー
著者紹介
広告掲載情報

【書籍の特徴】
本書では，近年，急激に発展している機械学習の技術が，どのような分野で，どのように用いられているかが分かるよう網羅的にまとめています．本書の内容は，計測自動制御学会会誌「計測と制御」2019年4月号から12月号にかけて連載された「リレー解説機械学習の可能性」の記事について大幅に加筆・修正したものです．したがって，章ごとに，それぞれの研究分野での研究者や企業の開発者の方に執筆していただいており，具体的な機械学習アルゴリズムやそれを用いたシステム等の応用例を紹介しています．

【対象読者】
本書は，機械学習を学び始めた学生や社会人において，今後，より深く機械学習についての理解を深めたいと考えている方には，非常に有益な内容だと考えています．特に，第1章では，機械学習で用いられる基本的な手法についてもまとめており，機械学習初学者にとっては，体系的な知識を修得することができます．

【本書の構成】
1. 機械学習の基礎
機械学習の歴史や種類，アルゴリズムについての解説
2. 機械学習と画像認識
機械学習の進展による画像認識技術の変遷や各手法の解説
3. 機械学習と文字検出・認識
実環境中におけるテキスト検出と認識
4. 機械学習と音声合成：統計的手法に基づく音声信号モデリング
機械学習を用いた音声信号モデリング技術
5. 機械学習とゲーム理論：ゲーム理論とオンライン意思決定
ゲーム理論における機械学習の利用
6. 機械学習と制御：連続行動空間における強化学習
強化学習による制御
7. 機械学習と開発環境：深層学習フレームワークの動向
様々な深層学習フレームワークの比較・検証
8. 機械学習と医療応用
機械学習を用いた医用画像処理
9. 機械学習と計測：社会インフラへの応用
CNNによる管渠内水位予測
10. 機械学習と外観検査
機械学習による検査の自動化と課題
11. 機械学習と語学学習：語学学習のための英会話シミュレータ
機械学習を用いた英語音声対話システム

第1章は，タイトル通り，機械学習の基礎についての解説になります．是非，この章から読んでいただきたいと思います．また，第2章から第6章は，機械学習と様々な研究分野についての解説であり，第7章は，機械学習のフレームワーク・開発環境について述べたものです．そして，第8章から第11章は，機械学習を用いた応用例等の解説になっています．

【編著者からのメッセージ】
本書では，様々な研究分野の方に執筆していただきました．紙面等の都合により，取り上げられなかった研究分野や最新の研究内容もありますが，本書によって機械学習への理解を深めていただければ，幸いです．

本書は，計測自動制御学会会誌「計測と制御」にて，2019年4月号から12月号にかけて連載された「リレー解説機械学習の可能性」の記事をベースに，大幅に加筆・修正し，まとめたものである。

近年，「ディープラーニング」の言葉とともに，コンピュータ・人工知能の飛躍的な処理能力の向上に注目が集まっている。例えば，チェスや囲碁，将棋でのコンピュータ対人との対戦において，コンピュータ側が勝ち続けていることで話題となっている。また，人の顔の表情を認識するデジタルカメラや言葉を理解するスマートスピーカなどの機械学習を利用した製品が日常生活の中に多く浸透している。さらに，工場内のプラントの異常状態の判断や自動運転車の制御などについても，機械学習を用いた多くの研究・開発が進められている。

これまで，コンピュータ技術の発展に伴い，さまざまな機械学習アルゴリズムや人工知能システムが開発され，幾度となく話題となったこともあったが，なかなか人の能力を超えるものをつくることは難しかった。しかし，現在では，これまでとは異なり，人と同等あるいはそれ以上の能力をコンピュータに期待できるかもしれないと思えるようになっている。その理由としては，コンピュータの処理能力の向上（これはCPUの演算速度やメモリ容量の増加だけでなく，GPGPUなどによる並列処理の向上も含む）に加え，インターネットの発達によって，ネット上のビッグデータを学習データとして利用できること，また，オープンソースとして開発された機械学習用プログラムをだれでも利用できることが挙げられる。

このような状況において，現在，どのような分野において，どのように機械学習が用いられているのかということが網羅的にわかるよう，本書では，さまざまな分野での機械学習の研究について章ごとにまとめた。なお，本書での章の並びは，リレー解説時の記事の順番とは異なり，機械学習の理論・研究的側面が強いものから，応用・アプリケーション的側面が強いものの順に並べている点に，ご注意いただきたい。また，章ごとに独立して内容を理解できるよう解説したものであるため，複数の章で多少重複した内容がある点をご了承いただきたい。

つぎに，本書の内容について，ごく簡単に紹介する。まず，1章は，本書を出版するにあたり，機械学習初学者の方にも理解していただけるよう新たに追加した章である。ここでは，機械学習の歴史，種類，基本的なアルゴリズムなどについて解説しており，まずは，1章に目を通してから他の章を見ていただきたい。

2～6章は，機械学習とさまざまな研究分野についての解説である。ここでは，画像認識や文字認識，ゲーム理論のように古くから機械学習を用いた研究分野の他，音声生成や制御のように機械学習を用いることで飛躍的に発展した分野を挙げている。

また，7章は，機械学習の開発環境についての解説である。現在，さまざまな開発環境（フレームワーク）を利用できるが，その指標として7章による解説を試みた。そして，8～11章は，機械学習を用いた応用例などの解説である。ここでは，医療応用，社会インフラにおける計測，外観検査，語学学習について，機械学習を用いることで，どのような発展があったかを解説している。

本書では，このように機械学習を用いるさまざまな研究分野について解説しているが，音声認識など，まだ取り上げられなかった研究分野も多い。しかし，本書の解説を通して，異なる分野における機械学習の利用方法を知り，学習アルゴリズムなどの類似点や相違点などを比較していただければ，機械学習の新たな可能性を見出せるのではないかと考えられる。本書が少しでも読者のみなさまの研究開発の一助になれば幸いである。

最後に，本書の出版の機会を与えていただいた，計測自動制御学会会誌出版委員会出版ワーキンググループ主査（2020年度）の白川真一先生（横浜国立大学），ならびに，本書の編集・出版に多大なご協力をいただいたコロナ社に深く感謝の意を表する。

なお，本書の執筆分担は以下のとおりである。

執筆分担
浮田　浩行　まえがき　　濱上　知樹　1 章，8 章
藤吉　弘亘　2 章　　大町真一郎　3 章
戸田　智基　4 章　　岩崎　　敦　5 章
小林　泰介　6 章　　鈴木　亮太　7 章
木村　雄喜　9 章　　橋本　大樹　10 章
玉垣　勇樹　10 章　　水谷麻紀子　10 章
永田　　毅　10 章　　木村　光成　11 章
李　　晃伸　11 章　　川嶋　宏彰　11 章

2022年11月
浮田浩行

1．機械学習の基礎
1.1　機械学習とは
　1.1.1　機械学習の歴史
　1.1.2　機械学習の手順
　1.1.3　機械学習の設計
1.2　機械学習の種類
　1.2.1　教師あり学習
　1.2.2　教師なし学習
　1.2.3　半教師あり学習
　1.2.4　敵対的学習
　1.2.5　強化学習
　1.2.6　オンライン・オフライン・ミニバッチ学習
1.3　機械学習アルゴリズム
　1.3.1　線形回帰，パーセプトロン，ロジスティック回帰
　1.3.2　ニューラルネットワークとディープニューラルネットワーク
　1.3.3　サポートベクタマシン
　1.3.4　決定木
　1.3.5　アンサンブル学習
　1.3.6　クラスタリング
　1.3.7　自己組織化マップ
　1.3.8　強化学習アルゴリズム

2.　機械学習と画像認識
2.1　画像認識
2.2　画像認識における問題設定
　2.2.1　画像照合
　2.2.2　物体検出
　2.2.3　画像分類
　2.2.4　シーン理解（セマンティックセグメンテーション）
　2.2.5　特定物体認識
2.3　画像認識技術の変遷
　2.3.1　特徴点検出・特徴量記述
　2.3.2　特徴抽出
　2.3.3　識別（機械学習
2.4　深層学習による画像認識
　2.4.1　畳み込みニューラルネットワーク（CNN
　2.4.2　物体検出への適用
　2.4.3　シーン理解（セマンティックセグメンテーション）への適用
　2.4.4　マルチタスク学習
2.5　機械学習と画像認識の今後

3．機械学習と文字検出・認識
3.1　文字認識の意義と歴史
3.2　文字認識技術と畳み込みニューラルネットワーク
3.3　環境中の文字列の検出
3.4　環境中の文字列の認識
3.5　学習データの生成

4．機械学習と音声生成：統計的手法に基づく音声信号モデリング
4.1　音声生成過程と音声信号の特徴
4.2　ソースフィルタ理論に基づく数理的手法
　4.2.1　ソースフィルタ理論による音声信号モデリング
　4.2.2　確率的手法
　4.2.3　利点と欠点
4.3　波形接続に基づく事例ベース手法
　4.3.1　波形接続による音声信号モデリング
　4.3.2　利点と欠点
4.4　深層学習に基づく信号波形モデリング手法
　4.4.1　深層波形生成モデルによる音声信号モデリング
　4.4.2　他手法との比較
4.5　さらなる発展に向けて

5.　機械学習とゲーム理論：ゲーム理論とオンライン意思決定
5.1　均衡計算，最適化，後悔最小化
5.2　モデル
5.3　均衡計算と機械学習
5.4　後悔最小化と粗相関均衡

6.　機械学習と制御：連続行動空間における強化学習
6.1　複雑化する制御対象と強化学習の台頭
6.2　強化学習
　6.2.1　問題設定
　6.2.2　価値関数
　6.2.3　連続行動空間における方策関数
6.3　方策関数のモデル
　6.3.1　ガウス分布（正規分布
　6.3.2　スチューデントのt分布
　6.3.3　ベータ分布
　6.3.4　混合分布
　6.3.5　Flowベースモデル
6.4　制御と強化学習の展望

7.　機械学習と開発環境：深層学習フレームワークの動向
7.1　深層学習フレームワークとは
7.2　基礎知識
　7.2.1　ディープニューラルネットワーク（DNN）の構造
　7.2.2　Define and Run / Define by Run
7.3　フレームワーク比較
　7.3.1　TensorFlow
　7.3.2　PyTorch / Caffe2
　7.3.3　Chainer
　7.3.4　Caffe
　7.3.5　Keras
　7.3.6　MatConvNet
　7.3.7　Darknet
7.4　フレームワーク間互換性
7.5　実行速度比較
7.6　推奨フレームワーク

8．機械学習と医療応用
8.1　医療と技術情報
8.2　機械学習による医用画像異常検知
　8.2.1　敵対的生成ネットワーク（GAN）
　8.2.2　GANによる異常検知
　8.2.3　眼底異常検出
8.3　機械学習による医用動画像動体追尾
　8.3.1　移動推定に関する従来技術と課題
　8.3.2　変形を伴う動体の移動量推定
　8.3.3　医用動画像への応用
8.4　機械学習による検出問題
　8.4.1　AdaBoost
　8.4.2　cost-sensitive learning
　8.4.3　ATBoost
　8.4.4　生殖医療における精子検出への応用

9．機械学習と計測：社会インフラへの応用
9.1　社会インフラの抱える課題とAI技術
9.2　都市浸水リスク軽減のための計測技術
9.3　CNNを用いたアプローチ
9.4　水位予測モデル
　9.4.1　予測モデルの入力データ
　9.4.2　予測モデルの概要
　9.4.3　畳み込み層
　9.4.4　プーリング層
　9.4.5　全結合層
9.5　予測精度と課題
　9.5.1　予測精度
　9.5.2　課題
9.6　予測根拠の見える化
　9.6.1　Grad-Camの概要
　9.6.2　水位予測モデルにおける予測根拠の見える化
9.7　社会インフラの課題解決に向けた今後の取組み

10．機械学習と外観検査
10.1　機械学習の発展と外観検査
10.2　外観検査に機械学習を利用する際の問題設定
10.3　外観検査に利用される機械学習手法
　10.3.1　handcrafted featureを用いる手法
　10.3.2　深層学習を用いる手法
10.4　データ処理
　10.4.1　学習データの準備
　10.4.2　データに対する前処理
　10.4.3　評価指標の選択
　10.4.4　汎化性能の評価
　10.4.5　認識精度向上のための方法
10.5　事例解説
　10.5.1　鋳造部品の欠陥検出
　10.5.2　細胞分裂イベントに関する外観検査
　10.5.3　X線CT撮影による外観検査
　10.5.4　良品サンプルのみの学習による異常検知
10.6　外観検査技術の普及に向けて

11．機械学習と語学学習：語学学習のための英会話シミュレータ
11.1　日本における英語学習環境の問題
11.2　音声対話システムの課題
　11.2.1　音素の多様性
　11.2.2　発話継続を重視した頑健な発話理解
　11.2.3　発話ガイドによる会話の体験
11.3　日本語母語話者の英語発話認識
　11.3.1　混合音韻音声認識
　11.3.2　文法モデルによる発話例の提示とフィードバック
11.4　学校環境での実証実験と実利用
11.5　語学学習のパートナーを目指して

引用・参考文献
索引

読者モニターレビュー【 nakayoshix 様（専門分野：AI、コンピュータサイエンス、データサイエンス、数学）】

14名の共著者が書いた「機械学習の可能性」というタイトルの付いた本ですが、第1章「機械学習の基礎」では機械学習の歴史から現在主流となっている機械学習の種類とアルゴリズムまでが幅広く紹介されています。これを読むことで現状の機械学習についてのかなり正確な知見が得られるため、ここだけは飛ばさずに読むことをお勧めします。第2章以降は各専門分野の著者がそれぞれの観点から自由に書いている印象があり、その違いを味わいながら読むだけでも面白いです。特に、第7章「深層学習フレームワークの動向」の最後では推奨フレームワークについてかなり踏み込んだ記述がされており、それだけでも一読の価値があります。個人的には、6章「機械学習と制御」の強化学習のところ(p.104)で「フィッシャー情報行列を用いた自然勾配法」について紹介されているところが特に面白かったです。後は、第9章「機械学習と計測：社会インフラへの応用」が現在の仕事と関連した部分が多く、すぐに役立つ内容であるところも高く評価できると思いました。総合的に見て、この値段でこの内容の豊富さと密度はコスパの面から見ても素晴らしいと思いますし、この本はお勧めです。

読者モニターレビュー【カイア様（業務内容：生産において発生する異常や異物を検出するための機械学習技術の利用や画像処理など）】

タイトルの通り、ものづくりにおける機械学習の利用方法の簡単な紹介をしている本。特にある程度機械学習に触れている人が技術を俯瞰するため、および、機械学習を使ったプロジェクトを進めていく立場の人が機械学習の概要をつかむための本だと感じた。
ページ数が少なめで広い範囲がカバーされている本だが、深堀りした話にアクセスするための情報は多く与えられていると思う。
題材としては、機械学習(深層学習)フレームワークの選択における注意事項に関すること(第7章)をはじめとして、他の機械学習の本ではあまり見られないものが扱われており、参考になる。
主に技術者に向けた本であるためか、知財や倫理の話には触れられていなかったが技術を商用利用する際には必須となるはずなのでそういった項目があっても良いのではないかと感じた。

読者モニターレビュー【まろ様（専門分野：医療）】

この本を読むまでは機械学習についての知識はほとんどなく、いわゆる初心者であった。そのなかでこの本は第１章において機械学習の歴史から記載されていて背景を知ることで興味が湧きながら読むことができた。また、第二章以降は「機械学習の可能性」という本のタイトルにあるように様々な分野においてどのように機械学習が用いられているのか記載され、各章の最後にはそれぞれの分野においてどのような展望が期待されているのかを知ることもでき、自分の専門分野以外の機械学習の応用法についても学ぶことができた。本自体もそこまで厚くないため、私のような機械学習に興味がある初心者の第一歩に読んでもらいたいと感じた。

読者モニターレビュー【なやこ様（業務内容：音声技術の開発）】

本書の前半では、機械学習の基礎的な内容から画像、音声、強化学習といった特定の領域についてまとめられており、初学者がとっかかりを掴むのに有用だと感じた。
後半では、医用、外観検査等の応用事例について述べられており、応用事例の内容だけでなく、実務での機械学習に関する勘所が掴める内容だと感じた。
文量は多くないものの、初学者から実務経験のある方にまで幅広くおすすめできる一冊である。

読者モニターレビュー【 ryo 様（専門分野：SE）】

機械学習の現実社会での事例から、手法や課題まで学べる、機械学習とその使い方のイメージを理解するのに適した本だと思いました。
特に良かったポイントを挙げると、３点あります。まず、図解が豊富で技術の変遷から、学習モデルの構造、具体的な事例でのデータセットの内容など、視覚的にパッと理解しやすく、文章を長々と読む手間が少なく済みました。また、画像認識から言語処理までカバー範囲が広く、各トピックについて、入力・学習データの特徴・よく使われる機械学習アルゴリズム・今後の課題をまとめて学べるので、充実していました。最後に、機械学習の基礎と深層学習フレームワークがまとまっているので、情報が乱立しがちな内容も、まとめて信憑性の高い情報にアクセスする機会となり、情報整理に役立ちました。