1 初めてのディープラーニング
1.1 機械学習とディープラーニング
1.2 ディープラーニングのライブラリ
2 ディープラーニングの実装準備
2.1 ディープラーニングの環境構築
2.2 Jupyter Notebookの使い方
2.3 Pythonプログラミングの基礎
3 ディープニューラルネットワーク体験
3.1 ニューラルネットワークの仕組み
3.2 ディープラーニングの仕組み
3.3 ディープラーニングの実装手順
3.4 手書き文字画像MNISTの分類
4 畳み込みニューラルネットワークの体験
4.1 畳み込みニューラルネットワークの仕組み
4.2 手書き文字画像MNISTの分類
4.3 一般的な画像の分類
5 再帰型ニューラル
ネットワークの体験
5.1 再帰型ニューラルネットワークの仕組み
5.2 対話テキストの分類
5.3 手書き文字画像MNISTの分類
Appendix 付録
A.1 TensorBoardの使い方
A.2 ディープラーニングの環境構築(Windows編)
A.3 Ubuntu仮想イメージのインポート方法
参考文献
◆◆ PythonとTFLearnで無理なく体験学習 ◆◆
本書は「これからディープラーニングを学びたい」と考えているIT エンジニアの方々を対象にしています。
そして、ディープラーニングの手法を理解し、自分で実装できるようになることを目指します。
ディープラーニングを初めて学ぶITエンジニアは、2つの障壁を越えねばなりません。
一つは「ディープラーニングの手法」、特に、理論を説明する数式が難解なこと。
もう一つは「どうやって使うのか、実装方法が分からない」ことです。
■数式なしで理論を理解
そこで本書は、是非知っておきたい3つの手法、即ち、①全結合のニューラルネットワーク、
②畳み込みニューラルネットワーク(CNN)、③再帰型ニューラルネットワーク(RNN)のみに話題を集中。
IT エンジニアなら抵抗感なく読めるように、数式を一切使わず、気鋭のデータサイエンティストが
丁寧に理論を解説します。
■簡単に実装できるライブラリを使用
実装については、Google社のディープラーニング・フレームワークTesorFlowに注目。
TesorFlowと完全互換性があり、かつ、TesorFlowよりも初心者に適したTFLearnライブラリを使うことで、
Python 3による実装を体験します。
実装環境の構築方法も一から説明し、サンプルコードには逐次解説を加えました。
■理論と実装の反復で理解を深める
第1章では、機械学習とディープラーニングの概要、実装ライブラリについて説明します。
第2章では、TFLearnを使った実装環境を構築し、ツールの使い方を学びます。
第3章では、全結合のニューラルネットワークの仕組みを理解した後、
手書き文字画像のMNISTデータセットを使って、画像の分類問題を解いてみます。
第4章ではCNNを解説した後、再度、MNISTデータを分類。また、JPEG等の一般的な画像の分類も行います。
第5章では、時系列データに適したRNNの仕組みを理解した後、対話テキストの分類に挑戦。
ここでもMNISTの分類を行ってみます。
本書に沿って体験学習を進めれば、ディープラーニングの手法を無理なく理解でき、
手を動かして実装できるようになるでしょう。
・[レベル低め]機械学習・ディープラーニング入門者がG検定を受けてみた[2019-03-12に投稿]