こぐまちゃんは、しろくまちゃんといっしょに動物園に行きました。首の長いキリン、赤ちゃんを抱いたおサルさんに、食事中のペンギンとラクダなど、動物たちの特長をこぐまちゃんの驚きのことばとともに描きます。

3万時間。企業に勤めるあなたが一生涯で会議に費やす時間です。

これほどの膨大な時間を費やしているにもかかわらず、効率的でまともな会議はなかなかないのが実情です。

本書の主人公、鈴川葵は入社2年目のごく普通の女の子。

自分の部署でおこなわれる「グダグダ会議」にふと疑問を抱きます。

「なぜ、会議はこんなにつまらないのだろう・・・」

そのことをきっかけに、彼女は会議で小さな改革を始めます。

最初は、「たった一言」を口にするだけの小さな改革。

しかし、そこから確実に会議は変わり始めます。

小さなチャレンジを実直に積み重ねていくことによって、彼女は部署全員を巻き込み会議改革を成功させ、そして大きな成果を生み出していきます。

何をすれば会議が変わるのか、実際にどう変わっていくのか？

物語を通して、分かりやすく会議改革のやり方を解説していきます。

少しずつ脱皮するように会議が変わっていくプロセスを、主人公とともに追体験してください。

第1章◆初めてのダメ会議◆

入社2年目にして、初めて課の定例会議に参加した葵はそのグダグダっぷりに

衝撃を受ける。さらに「生涯会議時間」を計算してみたところ、驚きの数字が!

第2章◆確認するファシリテーションを始める◆

ダメ会議を愚痴る葵に、コンサルタントである父は「なら、変えよう!」と提案し、

ファシリテーションを教えようとする。

尻込みする葵に父が教えたのは、会議を変える「魔法の一言」だった。

第3章◆書くファシリテーションを始める◆

ファシリテーションの第一歩を踏み出した葵だが、参加者が好き勝手に自分の意見を

しゃべり、かみ合わない会議を仕切れず落ち込む。

そこで父は、ホワイトボードに書いて意見を整理する手法を伝授する。

第4章◆隠れないファシリテーションを始める◆

突如葵たちを襲う「部署解体」の危機!課題解決会議を開くも、参加者の意図や

思いがすれ違い、一向に前に進まない。前に出て会議を「仕切る」スキルが必要だと考えた父は、葵と片澤を自分の会社に招く。

そこで葵が見たものは…。

第5章◆Prepするファシリテーションを始める◆

父の会社の会議で準備の必要性を痛感した葵と片澤は、八つのステップで進行を考える手法を学ぶ。

そしていよいよ、部署存続をかけた課題解決会議の当日。葵はファシリテーターとして会議を仕切れるのか。

エピローグ◆2つの転機◆

大仕事を終え、新たな道を歩み出す顧客サポート課のメンバー。

葵、片澤、幸田の次なる挑戦とは。

会議で結論を出す能力が身につけば、デッカイことができます。そして、自由な時間が増えます。無手勝流の会議運営から、生産性の高い会議運営に変われば、サラリーマン人生が変わります。「結論はまた来週…」は禁止。短期間で結果を出すための仕事術を紹介。

機械学習を基礎から理論的に学びたい、そんなITエンジニアに向けて執筆された本です。初版から約5年が経過し、全面カラー化して「改訂新版」としました。Pythonのコーディング環境もGoogle Colaboratoryに刷新、これまで5回にわたる重版で修正した内容に加え、最新の書き下ろし修正でアップデートしました。初版から内容は古びておらず、逆に、機械学習を学ぶうえで重要な理論がほぼカバーされていますので、まさに入門の定番書になりました。カラー化によりグラフも見やすくなり、理解が進むのもお勧めするポイントです。

■第1章　データサイエンスと機械学習

1.1 ビジネスにおけるデータサイエンスの役割

1.2 機械学習アルゴリズムの分類

1.3 本書で使用する例題

1.4 サンプルコード実行環境の準備

■第2章　最小二乗法：機械学習理論の第一歩

2.1 多項式近似と最小二乗法による推定

2.2 オーバーフィッティングの検出

2.3 付録 - ヘッセ行列の性質

■第3章　最尤推定法：確率を用いた推定理論

3.1 確率モデルの利用

3.2 単純化した例による解説

3.3 付録 - 標本平均／標本分散の一致性と不偏性

■第4章　パーセプトロン：分類アルゴリズムの基礎

4.1 確率的勾配降下法のアルゴリズム

4.2 パーセプトロンの幾何学的な解釈

■第5章　ロジスティック回帰とROC 曲線：分類アルゴリズムの

評価方法

5.1 分類問題への最尤推定法の応用

5.2 ROC 曲線による分類アルゴリズムの評価

5.3 付録 - IRLS法の導出

■第6章　k平均法：教師なし学習モデルの基礎

6.1 k平均法によるクラスタリングと応用例

6.2 怠惰学習モデルとしてのk近傍法

■第7章　EMアルゴリズム：最尤推定法による教師なし学習

7.1 ベルヌーイ分布を用いた最尤推定法

7.2 混合分布を用いた最尤推定法

■第8章　ベイズ推定：データを元に「確信」を高める手法

8.1 ベイズ推定モデルとベイズの定理

8.2 ベイズ推定の回帰分析への応用