Deep Learning Javaプログラミング 深層学習の理論と実装
Deep Learning Javaプログラミング 深層学習の理論と実装 (impress top gear)
インプレス
著者：巣籠悠輔
まえがき
はじめに
目次
第1章 人工知能とディープラーニングの変遷
1.1 人工知能の変遷
1.1.1 人工知能の定義
1.1.2 過去の人工知能ブーム
1.1.3 機械学習の誕生と発展
1.1.4 機械学習でされもできないこと
1.2 機械と人間を分けるもの
1.3 人工知能とディープラーニング
まとめ
第2章 機械学習アルゴリズムを学ぶ–ディープラーニングへの準備
2.1 実装に際して
2.2 機械学習における「学習」の必要性
2.3 教師あり学習と教師なし学習
2.3.1 サポートベクトルマシン(SVM)
2.3.2 隠れマルコフモデル(HMM)
2.3.3 ニューラルネットワーク
2.3.4 ロジスティック回帰
2.3.5 強化学習
2.4 機械学習の流れ
2.5 ニューラルネットワークの理論とアルゴリズム
2.5.1 パーセプトロン(単層ニューラルネットワーク)
2.5.2 ロジスティック回帰
2.5.3 多クラスロジスティック回帰
2.5.4 多層パーセプトロン(多層ニューラルネットワーク)
まとめ
第3章 ディープラーニング探究＜1＞－ディープビリーフネットと積層デノイジング・オートエンコーダ
3.1 ニューラルネットワークの陥落
3.2 ニューラルネットワークの逆襲
3.2.1 ディープラーニングの進化－ブレークスルーの決め手
3.2.2 事前学習ありディープラーニング
3.3 ディープラーニングのアルゴリズム＜1＞
3.3.1 制約付きボルツマンマシン
3.3.2 ディープビリーフネット
3.3.3 デノイジング・オートエンコーダ
3.3.4 積層デノイジング・オートエンコーダ
まとめ
第4章 ディープラーニング探究＜2＞－ドロップアウトと畳み込みニューラルネットワーク
4.1 事前学習なしディープラーニング
4.2 ドロップアウト
4.3 畳み込みニューラルネットワーク
4.3.1 畳み込み
4.3.2 プーリング
4.3.3 数式による理解と実装
まとめ
第5章 JavaライブラリDeeplearning4jの活用
5.1 ライブラリを用いた実装とスクラッチによる実装の比較
5.2 DL4JとND4Jの概要
5.3 ND4Jによる実装
5.4 DL4Jによる実装
5.4.1 セットアップ
5.4.2 モデルの構築
5.5 学習率の最適化
まとめ
第6章 ディープラーニングの応用と実用化－リカレントニューラルネットワーク、長短期記憶など
6.1 ディープラーニングの研究が活発な分野
6.1.1 画像認識
6.1.2 自然言語処理
6.2 ディープラーニングの課題
6.3 ディープラーニングの可能性を最大化するアプローチ
6.3.1 分野による切り口
6.3.2 課題設定による切り口
6.3.3 表現による切り口
まとめ
第7章 ディープラーニング探究＜3＞－Theano/TensorFlow/Caffeの手法［Python編］
7.1 Theano
7.2 TensorFlow
7.3 Caffe
まとめ
第8章 今後の動向を展望する
8.1 ディープラーニングのさらなる進化
8.2 今後も成果を上げるアプローチとは
8.3 ディープラーニングの情報源
まとめ
索引