関連サイト
本書の関連ページが用意されています。
内容紹介
Pythonディープラーニングのベストセラー書籍が、生成AI、Keras 3 、PyTorch、JAXを網羅！ ディープラーニングと生成AIの背後にある概念を分かりやすく解説します
ベストセラーとなったManning刊 "Deep Learning with Python" が全面的に書き直され、Transformer、GPTライクなLLMの構築、拡散モデルを用いた画像生成などの新章も追加されました。ディープラーニングを段階的に理解できる実践的なプロジェクトとコード例が各章で紹介されます。
10年足らずの間に、ディープラーニングは世界を二度も変えました。Keras、TensorFlow、PyTorchといったPythonベースのライブラリが、ニューラルネットワークを実験室レベルから、大規模に展開される高性能な本番システムへと進化させました。LLMや生成AIツールを通して、ディープラーニングは再びビジネスと社会を変革しつつあります。
ディープラーニングと生成AIの背後にある概念をKerasの開発者から直接学びとりPythonを使ったディープラーニング世界に自信を持って踏み出そう！
書誌情報
- 著者: Francois Chollet, Matthew Watson(著), 株式会社クイープ(訳), 巣籠悠輔(監訳)
- 発行日: 2026-03-18
- 最終更新日: 2026-03-18
- バージョン: 1.0.0
- ページ数: 640ページ(PDF換算)
- 対応フォーマット: PDF
- 出版社: マイナビ出版
対象読者
著者について
Francois Chollet
2012 年に学術界でディープラーニングが注目を集めるようになって以来、ディープラーニングに取り組んでいる。最も広く使われているディープラーニングフレームワークの1 つであるKeras の作成者。Keras は、大学の授業、Google、Netflix、Spotify などの企業、そしてCERN やNASA などの科学機関で使われている。最先端AI システムを研究するNdea 研究所の共同設立者であり、機械知能を測定するARC-AGI チャレンジを創設した。
Matthew Watson
2018 年以降、Gemini モデルやGoogle のオープンソースディープラーニングエコシステムの開発を含め、Google 全体で機械学習に携わっている。Keras のコアメンテナーであり、自然言語処理のためのKeras ツールの開発に注力している。スタンフォード大学でコンピュータサイエンスの修士号を取得し、Stanford Graphics Lab で手続き型モデリング技術の研究を行った。
株式会社クイープ
コンピュータシステムの開発、ローカライズ、コンサルティングを手がけている。最近の主な訳書に『つくりながら学ぶ！ LLM 自作入門』『Python による時系列予測』（マイナビ出版）、『Python ではじめるクリーンアーキテクチャ』『LLM 本番システム構築ノウハウ』『グランドマスター三冠のKaggle ノートブック開発術』（インプレス）、『Exercise Go プログラマ脳を鍛える至高の問題集』『Exercise Python プログラマ脳を鍛える至高の問題集』『Exercise JavaScript プログラマ脳を鍛える至高の問題集』『Exercise C++ プログラマ脳を鍛える至高の問題集』『なっとく！アルゴリズム第2 版』『爆速Python』（翔泳社）、『Python クイックリファレンス 第4 版』（オライリー・ジャパン）、『犯罪捜査技術を活用したソフトウェア開発手法』（秀和システム）、などがある。
巣籠悠輔
株式会社MIRA代表取締役、株式会社マルイユナイトCTO。医療AIベンチャーを創業・CTOを務め、同社エグジット後は生成AI活用やDX等の技術支援を大手企業・ベンチャー問わず行う。2018年にForbes 30 Under 30 Asia 2018 に選出。著書に『詳解ディープラーニング』、監訳書に『つくりながら学ぶ！LLM 自作入門』（マイナビ出版刊）等がある。
目次
まえがき
謝辞
監訳者まえがき
本書について
目次
1 ディープラーニングとは何か
- 1.1 AI、機械学習、ディープラーニング
- 1.2 AI
- 1.3 機械学習
- 1.4 データからルールと表現を学習する
- 1.5 「ディープラーニング」の「ディープ」とは
- 1.6 ディープラーニングの仕組み
- 1.7 ディープラーニングは何が違うのか
- 1.8 生成AIの時代
- 1.9 ディープラーニングのこれまでの実績
- 1.10 一時的なブームに惑わされない
- 1.11 AIの夏が冬に変わるとき
- 1.12 AIの約束
2 ニューラルネットワークの数学的要素
- 2.1 初めてのニューラルネットワーク
- 2.2 ニューラルネットワークでのデータ表現
- 2.3 ニューラルネットワークを動かす仕組み：テンソル演算
- 2.4 ニューラルネットワークの原動力：勾配に基づく最適化
- 2.5 最初の例を振り返る
- 2.6 本章のまとめ
3 TensorFlow、PyTorch、JAX、Keras
- 3.1 ディープラーニングフレームワークの略史
- 3.2 これらのフレームワークはどのような関係にあるか
- 3.3 TensorFlow
- 3.4 PyTorch
- 3.5 JAX
- 3.6 Keras
- 3.7 本章のまとめ
4 分類と回帰
- 4.1 二値分類の例：映画レビューの分類
- 4.2 多クラス分類の例：ニュース配信の分類
- 4.3 回帰の例：住宅価格の予測
- 4.4 本章のまとめ
5 機械学習の基礎
- 5.1 汎化：機械学習のゴール
- 5.2 機械学習モデルを評価する
- 5.3 モデルの適合を改善する
- 5.4 汎化性能を改善する
- 5.5 本章のまとめ
6 機械学習の普遍的なワークフロー
- 6.1 タスクを定義する
- 6.2 モデルを開発する
- 6.3 モデルをデプロイする
- 6.4 本章のまとめ
7 Kerasを深く理解する
- 7.1 ワークフローのスペクトラム
- 7.2 Kerasのモデルを構築するためのさまざまな方法
- 7.3 組み込みの訓練ループと評価ループを使う
- 7.4 訓練ループと評価ループを独自に記述する
- 7.5 本章のまとめ
8 画像分類
- 8.1 畳み込みニューラルネットワーク（ConvNet）
- 8.2 ConvNet を小さなデータセットで一から訓練する
- 8.3 事前学習済みモデルを使う
- 8.4 本章のまとめ
9 ConvNetアーキテクチャパターン
- 9.1 モジュール性、階層性、再利用性
- 9.2 残差接続
- 9.3 バッチ正規化
- 9.4 深さ方向分離可能畳み込み
- 9.5 Xceptionを小型化したモデルを構築する
- 9.6 畳み込みを超えて：Vision Transformer
- 9.7 本章のまとめ
10 ConvNetが何を学習するのかを解釈する
- 10.1 中間層の出力を可視化する
- 10.2 ConvNet のフィルタを可視化する
- 10.3 クラス活性化ヒートマップを可視化する
- 10.4 ConvNetの潜在空間を可視化する
- 10.5 本章のまとめ
11 画像セグメンテーション
- 11.1 コンピュータビジョンの3つの基本タスク
- 11.2 セグメンテーションモデルを一から訓練する
- 11.3 事前学習済みセグメンテーションモデルを使う
- 11.4 本章のまとめ
12 物体検出
- 12.1 1 段階の物体検出と2段階の物体検出
- 12.2 YOLOモデルを一から訓練する
- 12.3 事前学習済みRetinaNet検出器を使う
- 12.4 本章のまとめ
13 時系列予測
- 13.1 さまざまな種類の時系列タスク
- 13.2 気温を予測する例
- 13.3 リカレントニューラルネットワーク（RNN）
- 13.4 さらに踏み込む
- 13.5 本章のまとめ
14 テキスト分類
- 14.1 自然言語処理の略史
- 14.2 テキストデータの前処理
- 14.3 集合とシーケンスの違い
- 14.4 集合モデル
- 14.5 シーケンスモデル
- 14.6 本章のまとめ
15 言語モデルとTransformer
- 15.1 言語モデル
- 15.2 sequence-to-sequence学習
- 15.3 Transformerアーキテクチャ
- 15.4 事前学習済みTransformerによる分類
- 15.5 Transformerはなぜ効果的か
- 15.6 本章のまとめ
16 テキスト生成
- 16.1 シーケンス生成の略史
- 16.2 mini-GPTを訓練する
- 16.3 事前学習済みLLMを使う
- 16.4 さらに先のLLMへ
- 16.5 LLMは次にどこへ向かうのか
- 16.6 本章のまとめ
17 画像生成
- 17.1 画像生成のためのディープラーニング
- 17.2 拡散モデル
- 17.3 text-to-imageモデル
- 17.4 本章のまとめ
18 実務におけるベストプラクティス
- 18.1 モデルの性能を最大限に引き出す
- 18.2 モデルの訓練をスケールアップする
- 18.3 低精度計算による訓練と推論の高速化
- 18.4 本章のまとめ
19 AIの未来
- 19.1 ディープラーニングの限界
- 19.2 スケールさえあれば十分なのか：Scale Iisn't All You Need
- 19.3 知能をどう構築するか
- 19.4 欠けている要素：探索と記号
20 本書のまとめ
- 20.1 重要な概念の復習
- 20.2 ディープラーニングの限界
- 20.3 この先に何があるか
- 20.4 目まぐるしく変化する分野で学び続けるために
- 20.5 最後に