はじめてのAIリテラシー―基礎テキスト 改訂新版 [単行本]

はじめてのAIリテラシー―基礎テキスト 改訂新版 の 商品概要

• 要旨（「BOOK」データベースより）

  ＡＩリテラシー教育をカリキュラムに導入したい先生に最適！本書は「数理・データサイエンス・ＡＩ（リテラシーレベル）」（通称ＭＤＡＳＨ）の２０２４年２月改訂に対応しています。ＭＤＡＳＨの「導入」「基礎」「心得」「選択（オプション）」モデルカリキュラムに準拠した内容です。１４章の構成で、半期１５回の講義で進められるよう工夫されています。ＡＩのしくみやデータ分析、プログラミングやデータ活用など、ＡＩリテラシーを幅広く学べます。

• 目次

  ■第1講　AIリテラシーとは
  ◆1-1　AIの定義
  ●AIとは
  ●強いAIと弱いAI
  ●人間らしさとAI（チューリングテスト）
  ●中国語の部屋
  ●チャットボット
  ●ELIZA効果
  
  ◆1-2　なぜAIが必要とされているのか
  ●AIへの期待
  ●ハイプ曲線
  ●AIブーム
  
  ◆1-3　生成AI
  ●生成AIブーム
  ●ChatGPTの問題点
  
  ◆1-4　この本ではどこまで学ぶか
  ●AIのしくみや原理
  ●AIの限界や注意点
  ●AIの発展と人間の自由
  コラム　数理・データサイエンス・AI教育プログラム認定制度について
  
  ■第2講　社会でどのような変化が起きているか
  ◆2-1　ビッグデータ、IoT、5Gなどの登場
  ●ビッグデータとは
  ●ビッグデータの定義
  ●オープンデータの活動
  ●機械判別可能なデータの作成・表記方法
  ●IoTとビッグデータ
  ●5GはIoTを促進
  コラム　AIの性能はどんどん上がる？
  
  ◆2-2　第4次産業革命、Society5.0
  ●進化するテクノロジーと社会
  ●第4次産業革命のテクノロジー
  ●新しい社会Society5.0
  
  ◆2-3　データ駆動型社会
  ●データ革命による他分野への応用
  ●データ駆動型社会とは
  ●データの扱い方が重要
  
  ■第3講　社会でどのようなデータが活用されているか
  ◆3-1　人の動線をめぐるデータ
  ●注目される私的データ
  ●カーナビの例
  ●監視カメラの例
  
  ◆3-2　多くの機器のログとオープンデータ
  ●SNSのデータ分析
  ●オープンデータの活用
  ●ログによるアクセスデータ
  
  ◆3-3　1次データ、2次データ、メタデータ
  ●1次データと2次データ
  ●メタデータ
  
  ◆3-4　非構造化データの増大
  ●データベースとデータの構造化
  ●非構造化データの活用
  
  ■第4講　データ・AIを何に使えるか
  ◆4-1　データ・AIの活用領域の広がり
  ●身近になっていくデータサイエンス
  ●多様化するデータの活用例
  ●日本でのデータ利活用
  ●匿名加工情報
  
  ◆4-2　具体的にどう使えばいいのか
  ●データの使い方・仮説検証型
  ●データの使い方・仮説探索型
  ●人の負担を軽減するエスカレーション
  ●AIが得意な仕事、苦手な仕事
  ●意思決定支援システム
  ●AIの意外な使い方
  ◆4-3　シェアリングエコノミー、エビデンスベース社会、ナッジ
  ●シェアリングエコノミーとは
  ●データとAIの活用で上手にマッチング
  ●ネットの信頼性とリスク
  ●エビデンスベース社会とは
  
  ■第5講　データ・AIの技術
  ◆5-1　データ解析とは何をしているのか
  ●昔から解析は行われていた
  ●AIによるデータ解析の特徴
  
  ◆5-2　可視化の手法にはどういったものがあるのか
  ●グラフによる可視化
  ●地図を使った可視化
  ●動的な可視化
  
  ◆5-3　非構造化データの処理とは
  ●言語処理
  ●画像処理
  ●音声処理
  
  ◆5-4　AIの技術とは
  ●コンピュータ自ら学習する機械学習
  ●教師あり学習、教師なし学習
  ●強化学習
  ●深層学習（ディープラーニング）
  ●転移学習
  
  ■第6講　データを読み、説明し、扱う
  ◆6-1データの種類を知る
  ●データの種類を知って正しく使う
  ●連続データと離散データ
  ●質的データと量的データ
  コラム　データを扱うときの注意点
  
  ◆6-2　基本統計量でデータの特徴をつかむ
  ●基本統計量とは
  ●データの真ん中を表す指標
  ●データの散らばり具合を見る
  
  ◆6-3　もととなるデータを集める
  ●母集団と標本
  ●標本誤差
  ●無作為抽出
  
  ◆6-4　集めたデータを集計する
  ●クロス集計
  ●相関関係と因果関係
  ●地図上の可視化
  ●箱ひげ図
  
  ◆6-5　誤読しないデータの読み方、データの比較方法
  ●騙されやすいグラフの例
  コラム　新技術との付き合い方について
  コラム　AIを使った分析例
  
  ■第7講　データ・AIを扱うときに注意すること
  ◆7-1　データ活用の負の側面
  ●かゆいところに手が届くビッグデータの活用
  ●自分のデータが勝手に記録され、保存される
  
  ◆7-2　GDPR、忘れられる権利、ELSI、オプトイン・オプトアウト
  ●EUの取り組み
  ●GDPRの定める権利
  ●ELSIとSTEM
  ●トロッコ問題
  ●オプトイン・オプトアウト
  
  ◆7-3　データの正義について
  ●機械がやるから公平か？
  ●AIの判断は正しい？
  ●道路標識を誤認させる攻撃
  ●人間中心のAI社会原則
  
  ■第8講　データ・AIにまつわるセキュリティ
  ◆8-1　情報セキュリティの基礎
  ●セキュリティとは
  ●セキュリティでは「リスク」に注目
  ●経営資源（情報資産）、脅威、脆弱性
  ●リスクの顕在化
  ●セキュリティ対策の手順と受容水準
  ●リスクへの対応方法
  
  ◆8-2　情報のCIA
  ●機密性、完全性、可用性
  ●多要素認証
  
  ◆8-3　暗号化と匿名加工情報
  ●暗号化とは
  ●個人情報の保護と匿名加工情報
  
  ◆8-4　生成AIが生み出す新たなリスク
  ●生成AIのリスクとは
  ●情報の出所
  ●利用の注意点
  
  ■第9講　統計と数学のきほん
  ◆9-1　AIに必要な数学
  ●AIの理解には数学が必要
  ●誕生日のパラドックス
  ●クーポン収集問題
  ●数え上げ
  
  ◆9-2　AIに必要な集合・場合の数
  ●「集合」と「場合の数」
  ●和の法則
  ●積の法則
  
  ◆9-3　AIに必要な確率・統計
  ●確率
  ●確率分布
  ●推測統計
  コラム　ナイチンゲールとデータサイエンス
  
  ■第10講　アルゴリズムとは何か
  ◆10-1　AIとアルゴリズム
  ●アルゴリズムとは
  ●ハードウェアとソフトウェア
  ●ソフトウェアの性能を上げる
  ●アルゴリズム工学
  
  ◆10-2　組み合せ爆発を攻略するAIのアルゴリズム
  ●組み合せ爆発とは
  ●ボードゲームに挑むAI
  ●総当たりアルゴリズム
  ●近似アルゴリズム
  ●確率的アルゴリズム
  
  ◆10-3　探索問題
  ●探索問題とは
  ●線形探索
  ●二分探索
  
  ◆10-4　二部マッチング問題
  ●二部マッチング問題とは
  ●局所最適
  ●全体最適
  
  ■第11講　データの構造とプログラミング
  ◆11-1　ソフトウェアのプログラミング
  ●プログラミングスキルを身につけよう
  ●プログラミングとは
  
  ◆11-2　プログラミングの歴史
  ●世界初のコンピュータENIAC
  
  ◆11-3　データの構造
  ●10進数と2進数
  ●ビットとバイト
  ●文字コード
  
  ◆11-4　プログラミング環境の構築
  ●Pythonの導入
  ●Colaboratoryの使い方
  
  ◆11-5　変数
  ●変数と変数名
  ●変数に値を代入
  ●変数の内容を更新
  
  ◆11-6　条件分岐
  ●条件分岐とは
  ●If文
  ●PythonでIf文のプログラミング
  
  ◆11-7　繰り返し
  ●ループ処理
  ●for文
  ●Pythonでfor文のプログラミング
  
  ■第12講　データを上手に扱うには
  ◆12-1　ビッグデータの収集
  ●データは21世紀の石油
  ●多種大量のビッグデータ
  
  ◆12-2　データベース
  ●データベースとは
  ●RDBと正規化
  
  ◆12-3　データ加工
  ●データ結合
  ●Pythonで分析－データの準備
  ●Pythonで分析－読み込み
  ●Pythonで分析－結合
  
  ◆12-4　データクレンジング
  ●データクレンジングとは
  ●Pythonでデータクレンジング
  ●データの読み込み
  ●データを補完
  ●表記揺れの修正
  ●欠損値の変更
  
  ■第13講　時系列データと文章データの分析
  ◆13-1　時系列データ分析
  ●時系列データ分析とは
  ●時系列データと点過程データの違い
  ●目的変数を説明変数
  
  ◆13-2　時系列データの変動要因
  ●傾向変動
  ●循環変動
  ●季節変動
  ●不規則変動
  
  ◆13-3　時系列データ分析演習（二酸化炭素排出量の予測）
  ●Prophetのインストール
  ●時系列データの読み込み
  ●時系列データの可視化
  ●時系列データの事前処理
  ●時系列データの将来予測
  
  ◆13-4　文章データ分析
  ●文章データとは
  ●分かち書き（トークン化）
  ●形態素解析
  ●N-gram解析
  
  ◆13-5　文章データ分析演習（スパムメールフィルタの作成）
  ●データセットの読み込み
  ●ワードクラウドの作成
  ●ストップワードの除去
  ●形態素解析の実行
  ●スパムを分類するAIの作成
  
  ■第14講　データ活用実践（教師あり学習と教師なし学習）
  ◆14-1　AIの学習方式
  ●機械学習とAI
  ●教師あり学習
  ●教師なし学習
  ●強化学習
  
  ◆14-2　教師あり学習の出力
  ●分類
  ●回帰
  
  ◆14-3　教示なし学習の出力
  ●クラスタリング
  ●連関分析
  
  ◆14-4　過学習と汎化
  ●過学習
  ●汎化
  
  ◆14-5　データ活用実践1－教師あり学習、分類
  ●データセットの入手
  ●データセットの読み込み
  ●事前準備
  ●ランダムフォレストによる教師あり学習
  ●プログラムの実行
  
  ◆14-6　データ活用実践2－教師あり学習、回帰
  ●データセットの入手
  ●データセットの読み込み
  ●事前準備
  ●単回帰分析による教師あり学習
  ●グラフによる可視化
  ●決定係数
  
  ◆14-7　データ活用実践3－教師なし学習、連関分析
  ●データセットの入手と読み込み
  ●データ形式の変形
  ●ライブラリのインストール
  ●頻出商品の抽出
  ●連関分析の実行

• 内容紹介

  政府は「AI戦略2019」でリテラシー教育として文理を問わず、全ての大学・高専生約50万人を対象に、初級レベルの数理・データサイエンス・AIを課程にて習得する方針を打ち出しました。これを踏まえ、2020年4月に「数理・データサイエンス・AI（リテラシーレベル）モデルカリキュラム」が策定され、各大学・高専で履修が進められています。このモデルカリキュラムが2024年2月に改訂されました。
  　本書は「数理・データサイエンス・AI（リテラシーレベル）」（通称MDASH）の2024年2月改訂に対応しています。MDASHの「導入」「基礎」「心得」「選択（オプション）」モデルカリキュラムに準拠した内容です。14章の構成で、半期15回の講義で進められるよう工夫されています。AIのしくみやデータ分析、プログラミングやデータ活用など、AIリテラシーを幅広く学べます。

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  岡嶋 裕史(オカジマ ユウシ)
  １９７２年東京都生まれ。中央大学大学院総合政策研究科博士後期課程修了。博士（総合政策）。富士総合研究所、関東学院大学経済学部准教授、同大学情報科学センター所長を経て、中央大学国際情報学部教授。ＮＨＫスマホ講座講師
  
  吉田 雅裕(ヨシダ マサヒロ)
  １９８５年生まれ。山口県出身。東京大学大学院博士課程修了。博士（学際情報学）。日本学術振興会特別研究員を経て、２０１３年に日本電信電話株式会社に入社。５Ｇと自動運転に関する研究開発を経て、中央大学国際情報学部准教授。コンピュータネットワークとＡＩに関する研究教育活動に従事。中央大学ＡＩ・データサイエンスセンター所員、東京大学客員研究員、電子情報通信学会幹事

はじめてのAIリテラシー―基礎テキスト 改訂新版 の商品スペック