TAC出版
スッキリわかるディープラーニングG検定(ジェネラリスト) テキスト&問題演習 第3版
IT関連(G検定)
テキスト・トレーニング
定価 2,860円（本体価格＋税）
会員価格
2,574円(本体価格+税)
最新シラバス、最新の出題内容に対応した第3版。
新たに「数理・統計」の章を設けました。
新たに「数理・統計」の章を設けました。
書籍コード番号： 111525
奥付日付： 2025-03-24
ページ数： 480 ページ
判型： A5
刷り色： 2C
ISBNコード： 9784300115251
この書籍を買った人は、こんな書籍を買っています
![キチンとわかる! 貿易のしくみ [第3版]](/common/images/cover_s/0051/005126.jpg)
書籍内容
合格のために、試験に出る知識を効率よく習得し、出題実績の高いテーマの問題演習もできるオールインワンのテキスト&問題集!
「ディープラーニングG検定」の新シラバス「シラバス2024」に準拠した改訂第3版。
出題傾向分析にもとづき、知識と問題を大幅に刷新した最新版です。
ディープラーニングとは、現在AI(人工知能)の学習法の主流となっている学習手法です。
そのため、ディープラーニングについて知ることは、AIについて知ることと言っても過言ではありません。
ディープラーニング「G(ジェネラリスト)検定」は、専門家ではない一般のビジネスパーソンや学生を対象としており、回を重ねるほどに受験者が著しく増加している注目の検定試験です。
本書は、過去に実施された本試験を徹底的に分析し、「出るところだけ」をわかりやすいテキストとしてまとめました。
また、アウトプット演習として、過去問分析にもとづく予想問題を作成。
本試験1回分を超える数の問題を解説付きで収録しています。
1冊でインプット&アウトプット学習を効率よくできるおすすめの対策本です。
【本書の特長】
■ディープラーニングG検定の最新シラバスに基づいた章構成で体系的に、また、「出るところだけ」を効率的に学習できます!
■各章(節)の導入部に、分野・テーマごとに最重要な知識を「Super Summary」として掲載しました。
■各章(節)の最後に、その章(節)の知識のまとめを付けました。
■テキスト部分は、説明を「出るところだけ」に絞りました。また、図表を豊富に掲載し、知識をわかりやすく習得できます。
■問題演習は、出題実績の高いテーマを厳選。また、本試験を超える問題数を収録し、この一冊だけで十分なアウトプット学習ができるようにしました。
【さらに詳しく!】
本書は
第1章～第5章:AIおよびディープラーニングの概要説明
第6章～第10章:ディープラーニングの各種手法と領域毎の応用技術
第11章:ディープラーニングの社会実装に向けた課題や各国の取り組みについての各論
第12章は、統計学の基本的な知識の学習
で構成されています。
各章は大きくSuper Summaryという導入のページと、基礎知識を図解したテキストパート、その章またはセクションのまとめのページ、予想問題とその解答・解説でトレーニングする問題演習パートの4つで構成されています。
Super Summary
章またはセクションの冒頭に、導入のページを設けてあります。
新しい分野に取り組む前に、その分野の全体像と重点学習ポイントを把握するのに役立ちます。
また、試験直前の対策として、最低限、「ここだけは押さえおこう!」の最重要用語は再チェックしておきましょう。
テキストパート
「試験に出るところ」を中心に、ディープラーニングに関する基礎知識を図解しています。
各章のテキストパートは分野・テーマごとに適宜セクションに分けてあります。
図を豊富に用いて理解しやすく、表によって整理し記憶しやすい構成です。
まとめ
章の最後に、「まとめ」のページを設けてあります。
その章で学んだ知識のまとめのほか、G検定試験対策のポイントについても紹介しました。
問題演習パート
実際に出題された問題を分析し、出題可能性の高い用語等を用い、出題形式も本番さながらの形とした予想問題を計206問、関連する章の章末に掲載しました。
解説には、テキストの総論的な説明に掲載していない各論的知識も掲載してありますので、正解した問題の解説も、しっかり読んでおくことをお勧めします。
【主な改訂内容】
・「シラバス2024」準拠とし、新シラバス適用後の出題傾向も書籍に反映させました。
・各章(節)に新たに「まとめ」を設け、出題のポイントを更に際立たせました。
・新たに第12章として「数理・統計」を詳説しました。
【著者紹介】
佐野 大樹(さの たいき)
1988年12月生まれ。神奈川出身で大阪府在住。株式会社クロノスに所属する講師兼システムエンジニア。
技術を理解した上で仕事に昇華できることをモットーにエンジニアの育成に取り組む。
新卒で入社したIT企業ではインフラからフロントエンドまで幅広く開発業務を担っていたが、恩師から教えることの面白さや奥深さを学び、講師への転身を決意。
現在はアプリケーションの開発をしつつも、技術研修やAIセミナーに登壇するなど幅広く活動している。
藤丸 卓也(ふじまる たくや)
1986年8月生まれ。福岡県出身。株式会社クロノスに所属する講師兼システムエンジニア。
新卒で東京の某IT企業でシステムエンジニアとして大手企業の業務基幹システム構築などに携わる。
現在はシステム開発をしつつ、春先は新入社員研修の講師を務め、その他の時期ではAIセミナーを含む多数の研修に登壇している。
趣味は旅行、カメラ、登山、筋トレ。月に最低一つは新しいことにチャレンジすることを心掛けて生きる。
座右の銘は「人は繰り返し行うことの集大成である。ゆえに優秀さとは、行為でなく、習慣である。」
※本書を使用して講義・セミナー等を実施する場合には、小社宛許諾を求めてください。
→お問合せフォームはこちら
「ディープラーニングG検定」の新シラバス「シラバス2024」に準拠した改訂第3版。
出題傾向分析にもとづき、知識と問題を大幅に刷新した最新版です。
ディープラーニングとは、現在AI(人工知能)の学習法の主流となっている学習手法です。
そのため、ディープラーニングについて知ることは、AIについて知ることと言っても過言ではありません。
ディープラーニング「G(ジェネラリスト)検定」は、専門家ではない一般のビジネスパーソンや学生を対象としており、回を重ねるほどに受験者が著しく増加している注目の検定試験です。
本書は、過去に実施された本試験を徹底的に分析し、「出るところだけ」をわかりやすいテキストとしてまとめました。
また、アウトプット演習として、過去問分析にもとづく予想問題を作成。
本試験1回分を超える数の問題を解説付きで収録しています。
1冊でインプット&アウトプット学習を効率よくできるおすすめの対策本です。
【本書の特長】
■ディープラーニングG検定の最新シラバスに基づいた章構成で体系的に、また、「出るところだけ」を効率的に学習できます!
■各章(節)の導入部に、分野・テーマごとに最重要な知識を「Super Summary」として掲載しました。
■各章(節)の最後に、その章(節)の知識のまとめを付けました。
■テキスト部分は、説明を「出るところだけ」に絞りました。また、図表を豊富に掲載し、知識をわかりやすく習得できます。
■問題演習は、出題実績の高いテーマを厳選。また、本試験を超える問題数を収録し、この一冊だけで十分なアウトプット学習ができるようにしました。
【さらに詳しく!】
本書は
第1章～第5章:AIおよびディープラーニングの概要説明
第6章～第10章:ディープラーニングの各種手法と領域毎の応用技術
第11章:ディープラーニングの社会実装に向けた課題や各国の取り組みについての各論
第12章は、統計学の基本的な知識の学習
で構成されています。
各章は大きくSuper Summaryという導入のページと、基礎知識を図解したテキストパート、その章またはセクションのまとめのページ、予想問題とその解答・解説でトレーニングする問題演習パートの4つで構成されています。
Super Summary
章またはセクションの冒頭に、導入のページを設けてあります。
新しい分野に取り組む前に、その分野の全体像と重点学習ポイントを把握するのに役立ちます。
また、試験直前の対策として、最低限、「ここだけは押さえおこう!」の最重要用語は再チェックしておきましょう。
テキストパート
「試験に出るところ」を中心に、ディープラーニングに関する基礎知識を図解しています。
各章のテキストパートは分野・テーマごとに適宜セクションに分けてあります。
図を豊富に用いて理解しやすく、表によって整理し記憶しやすい構成です。
まとめ
章の最後に、「まとめ」のページを設けてあります。
その章で学んだ知識のまとめのほか、G検定試験対策のポイントについても紹介しました。
問題演習パート
実際に出題された問題を分析し、出題可能性の高い用語等を用い、出題形式も本番さながらの形とした予想問題を計206問、関連する章の章末に掲載しました。
解説には、テキストの総論的な説明に掲載していない各論的知識も掲載してありますので、正解した問題の解説も、しっかり読んでおくことをお勧めします。
【主な改訂内容】
・「シラバス2024」準拠とし、新シラバス適用後の出題傾向も書籍に反映させました。
・各章(節)に新たに「まとめ」を設け、出題のポイントを更に際立たせました。
・新たに第12章として「数理・統計」を詳説しました。
【著者紹介】
佐野 大樹(さの たいき)
1988年12月生まれ。神奈川出身で大阪府在住。株式会社クロノスに所属する講師兼システムエンジニア。
技術を理解した上で仕事に昇華できることをモットーにエンジニアの育成に取り組む。
新卒で入社したIT企業ではインフラからフロントエンドまで幅広く開発業務を担っていたが、恩師から教えることの面白さや奥深さを学び、講師への転身を決意。
現在はアプリケーションの開発をしつつも、技術研修やAIセミナーに登壇するなど幅広く活動している。
藤丸 卓也(ふじまる たくや)
1986年8月生まれ。福岡県出身。株式会社クロノスに所属する講師兼システムエンジニア。
新卒で東京の某IT企業でシステムエンジニアとして大手企業の業務基幹システム構築などに携わる。
現在はシステム開発をしつつ、春先は新入社員研修の講師を務め、その他の時期ではAIセミナーを含む多数の研修に登壇している。
趣味は旅行、カメラ、登山、筋トレ。月に最低一つは新しいことにチャレンジすることを心掛けて生きる。
座右の銘は「人は繰り返し行うことの集大成である。ゆえに優秀さとは、行為でなく、習慣である。」
※本書を使用して講義・セミナー等を実施する場合には、小社宛許諾を求めてください。
→お問合せフォームはこちら
目次
はじめに
本書の特長と学習法
ディープラーニングG検定の概要
第1章 人工知能(AI)とは
Super Summary 人工知能(AI)とは
1.1 AIの定義
1 専門家によるAIの定義
2 人工知能とロボット
3 世間にあふれる人工知能
問題演習
第2章 人工知能をめぐる動向
Super Summary 人工知能をめぐる動向
2.1 第一次AIブーム(1950年代～1960年代)
1 探索とは何か
2 探索の抱える問題
2.2第二次AIブーム(1980年代)
1 エキスパートシステム
2 意味ネットワーク
3 エキスパートシステムの抱える問題
2.3第三次AIブーム(2010年代～)
1 機械学習の時代
2 ニューラルネットワークとディープラーニング
問題演習
第3章 人工知能の問題点
Super Summary 人工知能の問題点
3.1強いAIと弱いAI
1 強いAI /弱いAIとは
3.2人工知能に関する諸問題
1 フレーム問題
2 シンボルグラウンディング問題
3 シンギュラリティ
問題演習
第4章 機械学習の具体的な手法
Super Summary 学習の種類
4.1学習の種類
1 教師あり学習
1.回帰
2.分類
2 教師なし学習
1.クラスタリング
3 半教師あり学習
4 強化学習
Super Summary 代表的なアルゴリズム
4.2 代表的なアルゴリズム(教師あり学習)
1 線形回帰
2 ロジスティック回帰
3 決定木
4 ランダムフォレスト
5 ブースティング
6 サポートベクトルマシン
7 ニューラルネットワーク
4.3 代表的なアルゴリズム(教師なし学習)
1 k-means法
2 主成分分析
3 特異値分解
4 t-SNE
5 多次元尺度構成法
Super Summary 学習済みモデルの評価
4.4 訓練データとテストデータ
4.5 評価指標
問題演習
第5章 ディープラーニングの概要
Super Summary ディープラーニングの概要
5.1ディープラーニングとは
1 ニューロン
2 パーセプトロン
3 多層パーセプトロン
4 ディープラーニング
1.ディープニューラルネットワーク
2.ディープラーニングの欠点
5 既存のニューラルネットワークの問題点
1.勾配消失問題
2.学習に時間がかかる
5.2 ディープラーニングの手法
1 事前学習
1.オートエンコーダ
2.積層オートエンコーダ
3.事前学習とファインチューニング
4.制限付きボルツマンマシン
2 事前学習なし
5.3 ディープラーニングの計算デバイスとデータ量
1 CPUとGPU
2 GPGPU
3 計算プラットフォーム
4 ディープラーニングのデータ量
問題演習
第6章 ディープラーニングの手法
Super Summary 活性化関数
6.1活性化関数
1 活性化関数とは
2 ニューラルネットワークの活性化関数
3 tanh関数
4 ReLU関数(ランプ関数)
Super Summary 最適化手法
6.2 最適化手法
1 最適化の基本的な考え方
2 勾配降下法の問題点
3 勾配降下法の発展形
4 学習データの渡し方と学習の回数
5 ハイパーパラメータ
6 モデルの当てはまりの度合い
Super Summary さらなるテクニック/学習済みモデルの利用
6.3 さらなるテクニック
1 重みの初期値
2 正規化・標準化
1.正規化
2.標準化
3 無相関化と白色化
1.無相関化
2.白色化
4 ドロップアウト
5 early stopping(早期終了)
6 正則化
7 バッチ正規化
8 モデル圧縮(モデルの軽量化)
1.Pruning(剪定)
2.Quantize(量子化)
3.Distillation(蒸留)
4.エッジAI
6.3学習済みモデルの利用
1 転移学習
問題演習
第7章 画像認識、物体検出
Super Summary CNN
7.1CNN
1 CNNとは
2 畳み込み層
3 プーリング層
4 全結合層
5 代表的なCNNベースのモデル
1.VGG
2.GoogLeNet
3.ResNet
6 CNNの前身
7 データ拡張
8 CNNを発展させたモデル
Super Summary 一般物体検出
7.2一般物体検出
1 ILSVRC
2 一般物体認識
1.R-CNN
2.一般物体認識手法の発展
3.XAI(Explainable AI)
問題演習
本書の特長と学習法
ディープラーニングG検定の概要
第1章 人工知能(AI)とは
Super Summary 人工知能(AI)とは
1.1 AIの定義
1 専門家によるAIの定義
2 人工知能とロボット
3 世間にあふれる人工知能
問題演習
第2章 人工知能をめぐる動向
Super Summary 人工知能をめぐる動向
2.1 第一次AIブーム(1950年代～1960年代)
1 探索とは何か
2 探索の抱える問題
2.2第二次AIブーム(1980年代)
1 エキスパートシステム
2 意味ネットワーク
3 エキスパートシステムの抱える問題
2.3第三次AIブーム(2010年代～)
1 機械学習の時代
2 ニューラルネットワークとディープラーニング
問題演習
第3章 人工知能の問題点
Super Summary 人工知能の問題点
3.1強いAIと弱いAI
1 強いAI /弱いAIとは
3.2人工知能に関する諸問題
1 フレーム問題
2 シンボルグラウンディング問題
3 シンギュラリティ
問題演習
第4章 機械学習の具体的な手法
Super Summary 学習の種類
4.1学習の種類
1 教師あり学習
1.回帰
2.分類
2 教師なし学習
1.クラスタリング
3 半教師あり学習
4 強化学習
Super Summary 代表的なアルゴリズム
4.2 代表的なアルゴリズム(教師あり学習)
1 線形回帰
2 ロジスティック回帰
3 決定木
4 ランダムフォレスト
5 ブースティング
6 サポートベクトルマシン
7 ニューラルネットワーク
4.3 代表的なアルゴリズム(教師なし学習)
1 k-means法
2 主成分分析
3 特異値分解
4 t-SNE
5 多次元尺度構成法
Super Summary 学習済みモデルの評価
4.4 訓練データとテストデータ
4.5 評価指標
問題演習
第5章 ディープラーニングの概要
Super Summary ディープラーニングの概要
5.1ディープラーニングとは
1 ニューロン
2 パーセプトロン
3 多層パーセプトロン
4 ディープラーニング
1.ディープニューラルネットワーク
2.ディープラーニングの欠点
5 既存のニューラルネットワークの問題点
1.勾配消失問題
2.学習に時間がかかる
5.2 ディープラーニングの手法
1 事前学習
1.オートエンコーダ
2.積層オートエンコーダ
3.事前学習とファインチューニング
4.制限付きボルツマンマシン
2 事前学習なし
5.3 ディープラーニングの計算デバイスとデータ量
1 CPUとGPU
2 GPGPU
3 計算プラットフォーム
4 ディープラーニングのデータ量
問題演習
第6章 ディープラーニングの手法
Super Summary 活性化関数
6.1活性化関数
1 活性化関数とは
2 ニューラルネットワークの活性化関数
3 tanh関数
4 ReLU関数(ランプ関数)
Super Summary 最適化手法
6.2 最適化手法
1 最適化の基本的な考え方
2 勾配降下法の問題点
3 勾配降下法の発展形
4 学習データの渡し方と学習の回数
5 ハイパーパラメータ
6 モデルの当てはまりの度合い
Super Summary さらなるテクニック/学習済みモデルの利用
6.3 さらなるテクニック
1 重みの初期値
2 正規化・標準化
1.正規化
2.標準化
3 無相関化と白色化
1.無相関化
2.白色化
4 ドロップアウト
5 early stopping(早期終了)
6 正則化
7 バッチ正規化
8 モデル圧縮(モデルの軽量化)
1.Pruning(剪定)
2.Quantize(量子化)
3.Distillation(蒸留)
4.エッジAI
6.3学習済みモデルの利用
1 転移学習
問題演習
第7章 画像認識、物体検出
Super Summary CNN
7.1CNN
1 CNNとは
2 畳み込み層
3 プーリング層
4 全結合層
5 代表的なCNNベースのモデル
1.VGG
2.GoogLeNet
3.ResNet
6 CNNの前身
7 データ拡張
8 CNNを発展させたモデル
Super Summary 一般物体検出
7.2一般物体検出
1 ILSVRC
2 一般物体認識
1.R-CNN
2.一般物体認識手法の発展
3.XAI(Explainable AI)
問題演習
第8章 自然言語処理と音声認識
Super Summary RNN
8.1 RNN
1 RNNとは
2 ARモデル
3 LSTM
4 GRU
5 BiRNN
Super Summary 自然言語処理
8.2 自然言語処理
1 自然言語処理とは
1.形態素解析
2.構文解析
3.意味解析
4.文脈解析
2 自然言語処理の基本
3 トピックモデル
4 ベクトル空間モデル
1.Word2vec
2.局所表現と分散表現
3.word2vecの発展
5 画像キャプション生成
6 ニューラル機械翻訳
1.seq2seq
2.Attention
7 Transformer
8 Transformerの応用
1.BERT
2.GPT-2
3.Vision Transformer
4.DETR
9 大規模言語モデル(LLM)
10 大規模言語モデルのチューニング
11 言語能力の評価
Super Summary 音声認識
8.3音声認識
1 音声認識の基本
2 音響特徴量の抽出
1.デジタルデータへの変換
2.周波数データの取得
3.音声波形の分析
3 音響モデル
1.単語のパターンマッチング
2.文章の探索方法
4 WaveNet
5 CTC
問題演習
第9章 強化学習
Super Summary 強化学習
9.1強化学習とは
1 強化学習
2 価値ベースの学習
3 マルチアームバンディット問題
4 方策ベースの学習
5 RLHF
6 深層強化学習
7 深層強化学習の活躍
8 これからの強化学習
問題演習
第10章 生成モデル
Super Summary 生成モデル
10.1 生成モデル
1 深層生成モデル
2 VAE
3 GAN
4 Diffusion Model
1.前向き過程(拡散過程)
2.逆拡散過程
5 NeRF
問題演習
第11章 ディープラーニングの社会実装に向けて
Super Summary AI導入を考える
11.1 AI導入を考える
1 目的の明確化
2 企画・設計段階でのリスク対策
Super Summary データの収集・利用
11.2 データの収集・利用
1 データの収集
2 データ分析
3 データの利用条件
4 データを利用したレコメンドアルゴリズム
Super Summary AI開発の進め方
11.3 AI開発の進め方
1 AIの活用方法
1.AIサービスの活用
2.機械学習ライブラリまたはツールによる開発
2 開発手法
3 データ契約
4 機械学習のバイアス問題
5 管理体制
Super Summary AIの運用・保守
11.4 AIの運用・保守
1 信頼性の確保
2 運用中の問題への対応
Super Summary 倫理的・法的・社会的課題
11.5 倫理的・法的・社会的課題
1 ELSI
2 個人情報保護法
1.個人情報
2.個人情報の加工
3.カメラ画像利活用ガイドブック
3 著作権法
4 特許法
5 不正競争防止法
6 様々な課題
1.情報の受発信に関する課題
2.データやモデルを用いた攻撃
3.社会課題の解決に向けて
7 リスクに対する規則
Super Summary 各国の取り組み
11.6 各国の取り組み
1 各国の政策動向
1.日本の政策動向
2.米国の政策動向
3.EUの政策動向
4.ドイツの政策動向
5.フランスの政策動向
6.中国の政策動向
2 コミュニティ、サービス
1.Kaggle
2.SIGNATE
3.Coursera
4.Google Scholar
問題演習
第12章 数理・統計入門
Super Summary 数理・統計入門
12.1数理統計入門
1 統計量
2 確率分布
3 様々な分布
4 推定
5 仮説検定
6 データの相関
7 距離と類似度
8 回帰分析
問題演習
付 録 標準正規分布表
標準正規分布表(下側確率表)
標準正規分布表(上側確率表)
索引
Super Summary RNN
8.1 RNN
1 RNNとは
2 ARモデル
3 LSTM
4 GRU
5 BiRNN
Super Summary 自然言語処理
8.2 自然言語処理
1 自然言語処理とは
1.形態素解析
2.構文解析
3.意味解析
4.文脈解析
2 自然言語処理の基本
3 トピックモデル
4 ベクトル空間モデル
1.Word2vec
2.局所表現と分散表現
3.word2vecの発展
5 画像キャプション生成
6 ニューラル機械翻訳
1.seq2seq
2.Attention
7 Transformer
8 Transformerの応用
1.BERT
2.GPT-2
3.Vision Transformer
4.DETR
9 大規模言語モデル(LLM)
10 大規模言語モデルのチューニング
11 言語能力の評価
Super Summary 音声認識
8.3音声認識
1 音声認識の基本
2 音響特徴量の抽出
1.デジタルデータへの変換
2.周波数データの取得
3.音声波形の分析
3 音響モデル
1.単語のパターンマッチング
2.文章の探索方法
4 WaveNet
5 CTC
問題演習
第9章 強化学習
Super Summary 強化学習
9.1強化学習とは
1 強化学習
2 価値ベースの学習
3 マルチアームバンディット問題
4 方策ベースの学習
5 RLHF
6 深層強化学習
7 深層強化学習の活躍
8 これからの強化学習
問題演習
第10章 生成モデル
Super Summary 生成モデル
10.1 生成モデル
1 深層生成モデル
2 VAE
3 GAN
4 Diffusion Model
1.前向き過程(拡散過程)
2.逆拡散過程
5 NeRF
問題演習
第11章 ディープラーニングの社会実装に向けて
Super Summary AI導入を考える
11.1 AI導入を考える
1 目的の明確化
2 企画・設計段階でのリスク対策
Super Summary データの収集・利用
11.2 データの収集・利用
1 データの収集
2 データ分析
3 データの利用条件
4 データを利用したレコメンドアルゴリズム
Super Summary AI開発の進め方
11.3 AI開発の進め方
1 AIの活用方法
1.AIサービスの活用
2.機械学習ライブラリまたはツールによる開発
2 開発手法
3 データ契約
4 機械学習のバイアス問題
5 管理体制
Super Summary AIの運用・保守
11.4 AIの運用・保守
1 信頼性の確保
2 運用中の問題への対応
Super Summary 倫理的・法的・社会的課題
11.5 倫理的・法的・社会的課題
1 ELSI
2 個人情報保護法
1.個人情報
2.個人情報の加工
3.カメラ画像利活用ガイドブック
3 著作権法
4 特許法
5 不正競争防止法
6 様々な課題
1.情報の受発信に関する課題
2.データやモデルを用いた攻撃
3.社会課題の解決に向けて
7 リスクに対する規則
Super Summary 各国の取り組み
11.6 各国の取り組み
1 各国の政策動向
1.日本の政策動向
2.米国の政策動向
3.EUの政策動向
4.ドイツの政策動向
5.フランスの政策動向
6.中国の政策動向
2 コミュニティ、サービス
1.Kaggle
2.SIGNATE
3.Coursera
4.Google Scholar
問題演習
第12章 数理・統計入門
Super Summary 数理・統計入門
12.1数理統計入門
1 統計量
2 確率分布
3 様々な分布
4 推定
5 仮説検定
6 データの相関
7 距離と類似度
8 回帰分析
問題演習
付 録 標準正規分布表
標準正規分布表(下側確率表)
標準正規分布表(上側確率表)
索引
IT関連(G検定)「スッキリわかるディープラーニングG検定(ジェネラリスト) テキスト&問題演習 第3版」の商品ページです。
TAC出版書籍販売サイト CyberBookStoreでは、資格試験合格のための書籍、実務に役立つ書籍を数多く取り揃えております。入会費・年会費無料の会員登録をすると、TAC出版・早稲田経営出版の最新版書籍が割引価格でご購入でき、送料無料でお届けいたします。