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。

“リピート率９割”の敏腕コーチが、「ファシリテーション」の具体的で効果的なやり方を進行順に解説！本書は、会議を円滑に進める「ファシリテーション」を、進行にあわせて解説する一冊。本番の冒頭５分、意見の引き出し・まとめ・決定、クロージングを進行に沿ってやさしく説明する。「事前準備」を詳しく、会議と会議の間の「ブリーフィング」（端的かつ簡潔に作戦を練る）、「進捗会議」の重要性も伝えるのが特徴。会議で意見をまとめるときに効果的なグラフィック技術や生産的なオンライン会議についても紹介する。

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