書籍の紹介 - AI・機械学習・データ分析

本書は機械学習の一手法「ディープラーニング」の「いちばんやさしい」入門書です。

【こんな人に】
○「将来、AI開発に挑戦したい」という理系学生
○「さらにステップアップしたい」というエンジニア
○「ディープラーニング」の基礎理論を学びたい社会人
○「TensorFlow＋Keras」を使った実装を試したい経験者
○「機械学習に必須の数学」を知りたい経験者

おもに、AI開発への意欲を燃やす初心者に向けて、機械学習とディープラーニングの基礎理論、必須の数学知識、Pythonによる実装を体系立てて説明します。

豊富な図解とイラストで、初心者にもわかりやすい!
本書を一通り終えれば、Pythonを駆使して自分なりのプログラムを実装できるようになるでしょう。

■Chapter1 ディープラーニングと機械学習
■Chapter2 Pythonの準備と基本文法
■Chapter3 ディープラーニングの体験
■Chapter4 ニューラルネットワークの基本
■Chapter5 畳み込みニューラルネットワーク
■Chapter6 ディープラーニングの応用

さあ、あたなもこの本をきっかけに、ディープラーニングの世界に飛び込んでみませんか?  

【Chapter1 ディープラーニングと機械学習】
■Lesson 1-1 ディープラーニングの基本
階層の深いニューラルネットワーク
■Lesson 1-2 ディープラーニングの歴史
人工知能の進化から見るディープラーニング
第1次人工知能ブーム
第2次人工知能ブーム
第3次人工知能ブーム
■Lesson 1-3 機械学習の基礎知識
教師あり学習と教師なし学習
強化学習
ルールベース・知識ベース
統計的機械学習
前処理と特徴抽出
バッチ学習とオンライン学習
性能評価
汎化能力
■Lesson 1-4 機械学習のための数学
数値と数式
変数と定数
等式と代入式
ベクトルと添字
総和記号
最小値・最大値
絶対値
距離とノルム
微分と偏微分
合成関数の微分
指数と対数
■COLUMN1：人工知能とは

【Chapter2 Pythonの準備と基本文法】
■Lesson 2-1 Pythonのインストール?Windows編?
Windowsへのインストール
Pythonを起動する
■Lesson 2-2 Pythonのインストール?Mac編?
MacではPython2系がそのまま使える
Homebrewのインストール
pyenvのインストール
Python3系をインストールする　
■Lesson 2-3 ライブラリのインストール?Windows編?
Windows版Anacondaのインストール
Kerasのディレクトリを作成する
■Lesson 2-4 ライブラリのインストール?Mac編?
Mac版Anacondaのインストール
Kerasのディレクトリを作成する
■Lesson 2-5 Pythonの基本文法
Hello, Python!!
変数
定数
データ型
演算
リスト型とタプル型
集合型
辞書型
文字列の連結と繰り返し
文字列フォーマット
シーケンス演算
関数
if文
繰り返し文
モジュールの呼び出し
■COLUMN2 Javaによる実装

【Chapter3 ディープラーニングの体験】
■Lesson 3-1 TensorFlowとKerasのインストール
Windows編：TensorFlowをインストールする
Windows編：Kerasをインストールする
Mac編：TensorFlowをインストールする
Mac編：Kerasをインストールする
■Lesson 3-2 Jupyter Notebookを使おう
Jupyter Notebookの準備
Jupyter Notebookの使い方
■Column　Macで実行した場合
■Lesson 3-3 数値計算ライブラリNumPyの使い方
■Lesson 3-4 グラフ表示ライブラリMatplotlibの使い方
■Lesson 3-5 Kerasでディープラーニングを体験する
Kaggleから画像をダウンロード
画像認識のプログラムを作る
■COLUMN3：TensorFlowとは？

【Chapter4 ニューラルネットワークの基本】
■Lesson 4-1 パーセプトロン
神経細胞（ニューロン）
ステップ関数
パーセプトロン
■Lesson 4-2 活性化関数
さまざまな活性化関数
シグモイド関数
ReLU関数
■Lesson 4-3 ヘッブ則とデルタ則
結合荷重の学習ルール
ヘッブ則
デルタ則
■Lesson 4-4 ニューラルネットワークの学習
犬と猫を分離する
XOR問題
多層パーセプトロン
OR問題
NAND問題
AND問題
ニューラルネットワークでの識別
■Lesson 4-5 損失関数
ニューラルネットワークの学習方法
教師あり学習（Supervised Learning）
教師なし学習（Unsupervised Learning）
強化学習（Reinforcement Learning）
学習プロセスから見る損失関数
例：和式トイレの使い方を学ぶ
損失関数のいろいろ
二乗和誤差
交差エントロピー誤差
■Lesson 4-6 勾配法
パラメータはどう調整する？
ニューラルネットワークの誤差の勾配の求め方
■Lesson 4-7 誤差逆伝播法
誤差逆伝播法とは？
連鎖律
■Lesson 4-8 MNIST
Step 1. ipython notebookで新規ファイルを作る
Step 2. 手書き画像データの準備
Step 3. モデルの作成
Step 4. ニューラルネットワークの学習
■COLUMN4：次元の呪いと過学習

【Chapter5 畳み込みニューラルネットワーク】
■Lesson 5-1 畳み込みニューラルネットワークの基本
画像分類と視覚ニューロン
1個のニューロンに入力画像全体を学習させる
■Lesson 5-2 畳み込み演算
受容野をスライドさせる
フォーカスの移動
■Lesson 5-3 畳み込み層
異なるパターンを認識させるには
Kerasによる記述
■Lesson 5-4 深層畳み込みニューラルネットワーク
3次元データを受け付けられるようにする
Kerasによる記述
■Lesson 5-5 ゼロパディングによる畳み込み
収縮する出力の形
入力データの周辺情報の損失
ゼロパディング
Kerasによる記述
■Lesson 5-6 範囲を広げての畳み込み
ストライドとは
ゼロパディングの利用
■Lesson 5-7 畳み込みReLU層
非線形変換による認識の向上
ReLU関数
Kerasによる記述
■Lesson 5-8 プーリング層
プーリング層による処理
Kerasによる記述
プーリング層の利点と注意点
■Lesson 5-9 全結合層
全結合層の処理
Kerasによる記述
全結合層の修正
より複雑な判断をしたいとき
■Lesson 5-10 深層畳み込みニューラルネットワークの学習
モデル学習と訓練
Step 1. 損失 E を定義する
Step 2. 重みweightの値 w を初期化する
Step 3. 重みweightの値 w を繰り返し修正する
バッチ学習
早期終了
ハイパーパラメータ
■Lesson 5-11 オーバーフィッティングとドロップアウト
過学習の例
過学習を防ぐドロップアウト
ドロップアウトの利点
■Lesson 5-12 畳み込みのさらに詳細な情報
畳み込み層 vs. 全結合層
畳み込みの進化
深く小さい局所受容野 vs. 浅く広い受容野
■COLUMN5：GPUを用いた学習

【Chapter6 ディープラーニングの応用】
■Lesson 6-1 再帰型ニューラルネットワーク（RNN）
RNNの特徴
RNNにおける情報の展開
RNNの柔軟性
最も単純な計算モデル
Kerasによる記述
■Lesson 6-2 LSTMニューラルネットワーク
LSTMの特徴
ニューラルネットワークの計算
Kerasによる記述
■Lesson 6-3 ゲート付き回帰ユニット（GRU）
GRUの特徴　
更新ゲート
リセットゲート
より効率的に記憶できる
Kerasによる記述
■Lesson 6-4 RNN言語モデル
次にどんな単語が来るのか推測させる
Kerasにおける記述
■Lesson 6-5 Sequence-to-Sequenceモデル
Sequence-To-Sequenceモデルの特徴
RNNの深さを増やす
■Lesson 6-6 Attention
Attentionの特徴
■Column6：トップダウンとボトムアップ

http://www.sotechsha.co.jp/sp/1187/