[本][Python]ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

読了

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

posted with amazlet at 17.03.01

斎藤 康毅
オライリージャパン
売り上げランキング: 76

Amazon.co.jpで詳細を見る

目次
まえがき

1章 Python入門
1.1 Pythonとは
1.2 Pythonのインストール
1.3 Pythonインタプリタ
1.4 Pythonスクリプトファイル
1.5 NumPy
1.6 Matplotlib
1.7 まとめ

2章 パーセプトロン
2.1 パーセプトロンとは
2.2 単純な論理回路
2.3 パーセプトロンの実装
2.4 パーセプトロンの限界
2.5 多層パーセプトロン
2.6 NANDからコンピュータへ
2.7 まとめ

3章 ニューラルネットワーク
3.1 パーセプトロンからニューラルネットワークへ
3.2 活性化関数
3.3 多次元配列の計算
3.4 3層ニューラルネットワークの実装
3.5 出力層の設計
3.6 手書き数字認識
3.7 まとめ

4章 ニューラルネットワークの学習
4.1 データから学習する
4.2 損失関数
4.3 数値微分
4.4 勾配
4.5 学習アルゴリズムの実装
4.6 まとめ

5章 誤差逆伝播法
5.1 計算グラフ
5.2 連鎖率
5.3 逆伝播
5.4 単純なレイヤの実装
5.5 活性化関数レイヤの実装
5.6 A.ne/Softmaxレイヤの実装
5.7 誤差逆伝播法の実装
5.8 まとめ

6章 学習に関するテクニック
6.1 パラメータの更新
6.2 重みの初期値
6.3 Batch Normalization
6.4 正則化
6.5 ハイパーパラメータの検証
6.6 まとめ

7章 畳み込みニューラルネットワーク
7.1 全体の構造
7.2 畳み込み層
7.3 プーリング層
7.4 Convolution/Poolingレイヤの実装
7.5 CNNの実装
7.6 CNNの可視化
7.7 代表的なCNN
7.8 まとめ

8章 ディープラーニング
8.1 ネットワークをより深く
8.2 ディープラーニングの小歴史
8.3 ディープラーニングの高速化
8.4 ディープラーニングの実用例
8.5 ディープラーニングの未来
8.6 まとめ

付録A Softmax-with-Lossレイヤの計算グラフ
A.1順伝播
A.2逆伝播
A.3まとめ

参考文献
Python / NumPy
計算グラフ(誤差逆伝播法)
Deep Learningのオンライン授業(資料)
パラメータの更新方法
重みパラメータの初期値
Batch Normalization / Dropout
ハイパーパラメータの最適化
CNNの可視化
代表的なネットワーク
データセット
計算の高速化
MNISTデータセットの精度ランキングおよび最高精度の手法
ディープラーニングのアプリケーション
索引

via:目次

Python3を使ってディープラーニングの仕組みを学ぶのだが、正直言って、一回で全部理解できなかったので、何回か繰り返し読む必要性を感じた。

それは決して著者のせいではなく、それぐらい、人工知能が難しいジャンルであるこということではないだろうか？

8章では実際の活用例があり、そんな使われ方しているんだと興味深く拝読させていただいた。

学校教育もこういう目的があって、微分、積分があるんだと何故告知できないのだろうか？
そうすれば教育から金儲けにつながるぞとモチベーションアップにもなるのだが。
きっと、教員の知識が少ないからではないだろうか？と思ってしまうのだが、それは違うのだろうか？

改めて学校教育の重要性を感じずにはいられない一冊だった。