科学技術と共に歩む

【本書の特徴】
人工知能は多様な側面を持ちます．昨今，深層学習が脚光を浴びており，それとともに人工知能を学びたい初学者も増えてきていますが，深層学習以外にも，探索や知識ベース，自然言語処理など「知能の方向性」が大きく異なる研究分野が存在します．機械学習についても深層学習の他に，強化学習や進化的計算，サポートベクターマシンなど，様々な手法が存在します．
本書は，人工知能アルゴリズムの中でも，探索，ゲーム，機械学習，知識表現，セマンティックWebについて解説した教科書です．本書を通して，様々な状況で最適な解を見つける方法や意思決定の方法，またそれらを機械学習で自動化する方法の基礎を学べます．また，人の知識をコンピュータが理解し，推論できるようにするための技術やWeb上でそれを活用する技術の基礎について学べます．
加えて，本書では，各種アルゴリズムのソースコードもC言語（C++言語）およびPythonで提供しています．実際に動作するプログラムを作成することで人工知能アルゴリズムに対する理解を深めてください．

【各章について】
1章では， 人工知能の歴史について解説します．過去どのような研究がなされてきたのか，説明しています．本書では解説していない手法などの名称も挙げられているので，興味のある方法について調べてみるのもよいでしょう．
2章では，探索について解説します．具体的には，深さ優先探索，幅優先探索から始まり，ダイクストラ法，山登り法，最良優先探索，A*アルゴリズム，反復深化法，IDA*について学びます．また，アルゴリズムの健全性や無矛盾性についても確認し，動作原理に対する理解を深めます．
３章では，まず，群論によるパズルの分析とA*アルゴリズムでパズルを解く際のヒューリスティック関数の設計について8-パズルを題材としながら解説します．次に，２人対戦ゲームに関する概念や探索手法としてゲーム木，AND-OR木，証明数と反証数，MINMAX法，αβ法を解説します．
4章では，機械学習のうちの進化的計算手法について解説します．遺伝的アルゴリズムや遺伝的プログラミングといった生物の進化を比較的忠実に模倣した方法から，差分進化や粒子群最適化といった多点・直接探索法についても学びます．また人が次世代に残す個体を選択する対話型進化計算についても概説します．
5章では，機械学習のうちのニューラルネットワークについて解説します．人の神経細胞を模したニューロンモデルの説明から始まり，パーセプトロン構造について学んだ後に，ニューラルネットワークの学習方法である誤り訂正学習法および誤差逆伝播法について学びます．深層学習（ディープラーニング）についても概説します．また，教師なし学習手法として自己組織化マップについても触れます．
6章では，機械学習のうちの強化学習について解説します．強化学習は学習の指針となる教師信号を与えるのではなく，行動の良し悪しを評価する報酬を与えることで学習する枠組みです．強化学習手法として，TD学習，SARSA，Q学習について学びます．
7章では，4章から６章での分類以外の機械学習手法として，サポートベクターマシンとt-SNEについて解説します．
８章では，知識表現について解説します．人間の知識をモデル化するための技法について解説するとともに，与えられた知識や既存の知識を利用し新たな知識を得る「推論」について学びます．またインターネット上の情報記述の基礎として，マークアップ言語とメタ言語についても学びます．
９章では，セマンティックWeb技術について解説します．セマンティックWebを構成する要素技術として，マークアップ言語やメタ言語，スキーマ言語について学びます．また知識や情報を構造化し整理するモデルであるオントロジーについて学び，その応用事例や将来展望についても解説します．

【著者からのメッセージ】
探索・ゲーム，機械学習，知識表現，セマンティックWebは人工知能の基礎となる分野です．これらの分野を学ぶことで，人工知能に関する技術的なスキルや理論的な理解が深まり，現代の情報社会での多様な問題解決に貢献できると思われます．ぜひとも本書を手に取り，人工知能の原理について学びを深めてください．

【キーワード】
深さ優先探索，幅優先探索，ダイクストラ法，山登り法，最良優先探索，A*アルゴリズム，反復深化法，IDA*，ゲーム木，AND-OR木，MINMAX法，αβ法，遺伝的アルゴリズム，遺伝的プログラミング，差分進化，粒子群最適化，対話型進化計算，ニューラルネットワーク，自己組織化マップ，強化学習，SARSA，Q学習，サポートベクターマシン，t-SNE，意味ネットワーク，プロダクションシステム，推論，HTML，XML，スキーマ言語，オントロジー