ディープラーニング実装入門 PyTorchによる画像・自然言語処理
吉崎亮介
インプレス機械学習の登場により、画像の分析／異常検知／テキストの解析など、飛躍的に高精度なデータの分析が可能となりました。本書は、機械学習の手法の中でもディープラーニングに注目し、その実現の方法をまとめていきます。
【注意】本書のEPUB版は固定レイアウト型になっております。文字の大きさの変更や検索、引用などはお使いいただけません。画面の大きい端末でご利用ください。
書籍情報
著者: 吉崎亮介
共著者: , 祖父江誠人
発行日: 2020-12-21
最終更新日: 2020-12-21
バージョン: 1.0.0
ページ数: 344ページ(PDF版換算)ページ
対応フォーマット: PDF, EPUB
出版社: インプレス
対象読者
ディープラーニングのシステムの情報を求める方、人工知能に興味を持つIT業界関係する人、プログラマ／インフラ担当者／システム設計者、Pythonプログラマ／PyTorchに興味を持つ方など
著者について
舞鶴高専専攻科にてシステム制御および最適化の研究に従事したあと、京都大学大学院にて製造業向けの機械学習を用いた製造工程最適化の研究に従事。卒業後、株式会社SHIFTにてソフトウェアテストの研究開発を経て、株式会社Caratを共同創業。2017 年1月より株式会社キカガクを創業し、代表取締役社長に就任。ビジネスの現場で使える人工知能（AI）を目指し、企業向けの教育事業を手がける。
目次
はじめに
第1章 人工知能・機械学習・ディープラーニング
- 1.1 人工知能（AI）
- 1.2 機械学習
- 1.3 ディープラーニング
- 1.4 ディープラーニング活用までの流れ
- 1.5 ディープラーニング周辺の技術地図
第2章 ニューラルネットワークの数学
- 2.1 ニューラルネットワークの概要
- 2.2 順伝播
- 2.3 逆伝播
- 2.4 学習の工夫
第3章 PyTorch（基礎編）
- 3.1 PyTorchの概要
- 3.2 ネットワークの定義
- 3.3 学習
第4章 PyTorch（応用編）
- 4.1 PyTorch Lightningによる学習ループの簡略化
- 4.2 Axによるハイパーパラメータの調整
第5章 環境構築
- 5.1 環境構築の選択肢
- 5.2 Google Colaboratory
- 5.3 Microsoft Azure
- 5.4 Docker
第6章 画像処理
- 6.1 画像処理入門
- 6.2 畳み込みニューラルネットワーク
- 6.3 CNNの計算
- 6.4 画像分類（MNIST）
- 6.5 画像分類（CIFAR10）
- 6.6 ファインチューニング
- 6.7 自家製データの利用
第7章 ハイパーパラメータの最適化
- 7.1 Azure ML
- 7.2 Azure MLの立ち上げ
- 7.3 低優先度クォータのリクエスト
- 7.4 Azure ML SDKのインストール
- 7.5 データセットの準備
- 7.6 固定されたハイパーパラメータでの検証
- 7.7 Azure MLによるランダムサーチ
第8章 自然言語処理
- 8.1 自然言語を扱う難しさ
- 8.2 自然言語処理を理解するロードマップ
- 8.3 形態素解析ライブラリMeCab
- 8.4 名詞抽出
- 8.5 特徴量への変換
- 8.6 文書分類
- 8.7 文章分類
- 8.8 文章生成
第9章 デプロイ
- 9.1 Azure Blob Storage
- 9.2 Irisデータでネットワークを学習
- 9.3 MNISTでネットワークの学習
- 9.4 Azure Blob Storageモデルを保存
- 9.5 Azure VMを使ったWebアプリケーションの基礎
- 9.6 Azure MLで学習
- 9.7 Azure MLへのデプロイ
- 9.8 コマンドでの一連の流れの操作
- 9.9 推論サーバーへのリクエスト