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
本書はディープラーニング、ニューラルネットワークについての予備知識がなくても学習を進められるようゼロから丁寧に、理論とその実装について解説します。
実装にはPythonのディープラーニング向けのライブラリ、TensorFlow (1.0) およびKeras (2.0) を用います。
「ディープラーニングについて何となくわかってはいるけれど、もう少し理解を深めたい」「画像認識だけでなく、時系列データを分析するためのモデルについても学びたい」という方にとって、学びの役に立つのではないかと思います。
単純パーセプトロンにはじまり、多層パーセプトロン、ディープニューラルネットワーク、リカレントニューラルネットワークなど多くの手法について学びます。扱うデータの種類ごとに考えるべき課題も異なり、それに合わせてネットワークも様々な形に変化させ学習を進めます。ディープラーニングは1つひとつのテクニックの積み重ねであり、その根底にあるのは「人間の脳をどう数式やアルゴリズムで表現できるか」です。
本書で学んできた土台となる理論さえきちんと理解していれば、今後どのようなディープラーニングの手法が出てこようとも、すぐに理解し使いこなせるようになるでしょう。そして、自身で新たなモデルを考え出すこともできるはずです。
［本書の構成］
1章では、ニューラルネットワークの理論を学習するうえで必要となる数学の知識について簡単におさらいし、続く2章では、実装に向けてのPython開発環境のセットアップ、およびPythonライブラリの簡単な使い方を扱います。
3章からは、いよいよニューラルネットワークの学習に入っていきます。3章ではその基本形について学び、４章ではディープニューラルネットワーク、いわゆるディープラーニングについて学びます。通常のニューラルネットワークと何が違うのか、どのようなテクニックが用いられているのかを実装を交えて理解します。
5、6章では、時系列データを扱うためのモデルであるリカレントニューラルネットワークについて詳しく学んでいきます。5章では、リカレントニューラルネットワークの基本形を簡単なデータ例を用いて理論・実装について学び、6章ではその応用例について扱います。
書誌情報
- 著者: 巣籠悠輔
- ページ数: 328ページ(PDF版換算)
- 対応フォーマット: PDF
- 出版社: マイナビ出版
対象読者
人工知能に興味ある方、機械学習や深層学習を習得したいエンジニア、Pythonプログラミングの基礎は習得済み
著者について
巣籠悠輔
Gunosy、READYFOR 創業メンバー、電通・Google NY 支社に勤務後、株式会社情報医療の創業に参加。医療分野での人工知能活用を目指す。東京大学招聘講師。著書に『Deep Learning Java プログラミング 深層学習の理論と実装』（インプレス刊、Packet Publishing：Java Deep Learning Essentials）がある。
目次
1章 数学の準備
- 1.1 偏微分
- 1.2 線形代数
- まとめ
2章 Pythonの準備
- 2.1 Python 2 と Python 3
- 2.2 Anacondaディストリビューション
- 2.3 Python の基本
- 2.4 NumPy
- 2.5 ディープラーニング向けライブラリ
- まとめ
3章 ニューラルネットワーク
- 3.1 ニューラルネットワークとは
- 3.2 回路としてのニューラルネットワーク
- 3.3 単純パーセプトロン
- 3.4 ロジスティック回帰
- 3.5 モデルの評価
- まとめ
4章 ディープニューラルネットワーク
- 4.1 ディープラーニングへの準備
- 4.2 学習における問題
- 4.3 学習の効率化
- 4.4 実装の設計
- 4.5 高度なテクニック
- まとめ
5章 リカレントニューラルネットワーク
- 5.1 基本のアプローチ
- 5.2 LSTM
- 5.3 GRU
- まとめ
6章 リカレントニューラルネットワークの応用
- 6.1 Bidirectional RNN
- 6.2 RNN Encoder-Decoder
- 6.3 Attention
- 6.4 Memory Networks
- まとめ