試験公開中

このエントリーをはてなブックマークに追加

実践GAN

マイナビ出版

3,680円+税

GAN:敵対的生成ネットワークの初歩から理解し実装できる!

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

GAN(Generative Adversarial Networks):敵対的生成ネットワークは機械学習技術の一種で、2つの分離したニューラルネットワークを使い実物と区別が付かないほどリアルな画像を生成することを可能とします。

本書はGAN:敵対的生成ネットワークを学びたい方のために入門から実装まで、理論を交えつつ解説していきます。本書全体を通じてJupyter Notebookを使い、実装はPython、Kerasで行っていきます。機械学習とニューラルネットワーク、Pythonプログラミングについてある程度の経験がある方を主な対象読者としており、数学や関しては最小限のものに絞って解説します。

本書の目的は、GANが達成してきたことを理解するための知識と道具を提供し、そこから新しい応用を見つけ作り出す力をつけていただくことです。GANは多くの可能性に満ちていますから、意欲的な方々であれば学術界・実世界に大きなインパクトを与えられることでしょう。

書誌情報

  • 著者: Jakub Langr, Vladimir Bok(著), 大和田茂(訳)
  • 発行日: (紙書籍版発行日: 2020-02-28)
  • 最終更新日: 2020-02-28
  • バージョン: 1.0.0
  • ページ数: 288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

著者について

Jakub Langr

2013年からデータサイエンティストとして活動し、Filtered.comやMudanoのデータサイエンス・コンサルタントとして働いている。バーミンガム大学のデータサイエンスコースの指導や、オックスフォード大学の客員講師をつとめる。オックスフォード大学を卒業。

Vladimir Bok

旅行サイト向けのデータサイエンス会社であるIntent Mediaのシニアプロダクトマネージャ。機械学習のリサーチとインフラ整備などで活動している。Y Combinatorに支援を受けたスタートアップでのデータサイエンス応用やMicrosoft Researchのプログラムマネージャーも経験した。ハーバード大学でコンピュータサイエンスの学位を取得。

大和田茂

博士(情報理工)、保育士。株式会社ソニーコンピュータサイエンス研究所所属。ユーザインタフェースに関心があり、学生時代はコンピュータグラフィックス、就職してからはスマートハウスを題材としてきた。萌家電、OpenECHO、PicoGW、NanoGWなどを開発。最近は保育士支援システムに関心を持ち、画像処理に機械学習を利用している。

目次

■ Part 1 GANと生成モデル入門

第1章 はじめてのGAN

  • 1.1 敵対的生成ネットワークとは何か?
  • 1.2 GANはどのように動作するのか?
  • 1.3 実践GAN
  • 1.4 なぜGANを学ぶのか?
  • 1.5 1章のまとめ

第2章 オートエンコーダを用いた生成モデル

  • 2.1 生成モデル入門
  • 2.2 エンコーダの動作についての高レベルの説明
  • 2.3 オートエンコーダとGANとの関係
  • 2.4 オートエンコーダは何からできているのか
  • 2.5 オートエンコーダの使い方
  • 2.6 教師なし学習
  • 2.7 コードは命
  • 2.8 なぜGANに挑戦しなければいけなかったのか
  • 2.9 2章のまとめ

第3章 はじめてのGAN:手書き文字の生成

  • 3.1 GANの基礎:敵対的訓練
  • 3.2 生成器と識別器
  • 3.3 GANの訓練アルゴリズム
  • 3.4 チュートリアル:手書き文字の生成
  • 3.5 3章のまとめ

第4章 深層畳み込みGAN:DCGAN

  • 4.1 畳み込みニューラルネットワーク
  • 4.2 DCGANの短い歴史
  • 4.3 バッチ正規化
  • 4.4 チュートリアル:DCGANで手書きの数字を生成する
  • 4.5 4章のまとめ

■ Part 2 GANの発展的な話題

第5章 訓練とよくある課題:GANをうまく動かすために

  • 5.1 評価
  • 5.2 訓練の難しさ
  • 5.3 ゲームのセットアップに関するまとめ
  • 5.4 訓練上の工夫
  • 5.5 5章のまとめ

第6章 プログレッシブなGAN

  • 6.1 潜在空間での補間
  • 6.2 急成長するGAN
  • 6.3 重要なイノベーションまとめ
  • 6.4 Tensorflow Hubとハンズ・オン
  • 6.5 実用的なアプリケーション
  • 6.6 6章のまとめ

第7章 半教師ありGAN

  • 7.1 半教師ありGANの説明
  • 7.2 チュートリアル:半教師ありGANの実装
  • 7.3 完全な教師ありの分類器との比較
  • 7.4 7章のまとめ

第8章 条件付きGAN

  • 8.1 動機
  • 8.2 条件付きGANとは
  • 8.3 チュートリアル:条件付きGANの実装
  • 8.4 8章のまとめ

第9章 CycleGAN

  • 9.1 画像から画像への翻訳
  • 9.2 サイクル一貫性損失:行きて帰りし物語
  • 9.3 敵対性損失
  • 9.4 同一性損失
  • 9.5 アーキテクチャ
  • 9.6 GANのオブジェクト指向デザイン
  • 9.7 チュートリアル:CycleGAN
  • 9.8 拡張、増大(augmentation)、そして応用
  • 9.9 9章のまとめ

■ Part 3 ここからどこへ進むべきか

第10章 敵対的サンプル

  • 10.1 敵対的サンプルの文脈
  • 10.2 嘘、ひどい嘘、そして分布
  • 10.3 訓練の活用、そして乱用
  • 10.4 信号とノイズ
  • 10.5 全ての希望が失われたわけではない
  • 10.6 GANに敵対するもの
  • 10.7 10章のまとめ

第11章 GANの実用的な応用

  • 11.1 医療におけるGAN
  • 11.2 ファッションにおけるGAN
  • 11.3 11章のまとめ

第12章 将来に向けて

  • 12.1 倫理
  • 12.2 GANのイノベーション
  • 12.3 さらなる勉強のために
  • 12.4 本書のふりかえりとまとめ