| 書誌種別 |
図書 |
| タイトル |
はじめてのパターン認識 ディープラーニング編 |
| タイトルヨミ |
ハジメテ ノ パターン ニンシキ ディープ ラーニングヘン |
| 人名 |
平井 有三／著
|
| 人名ヨミ |
ヒライ ユウゾウ |
| 出版者・発行者 |
森北出版
|
| 出版者・発行者等ヨミ |
モリキタ シュッパン |
| 出版地・発行地 |
東京 |
| 出版・発行年月 |
2022.12 |
| ページ数または枚数・巻数 |
6,266p |
| 大きさ |
22cm |
| 価格 |
￥３６００ |
| ISBN |
978-4-627-85071-2 |
| ISBN |
4-627-85071-2 |
| 注記 |
文献:p253〜261 |
| 分類記号 |
007.13
|
| 件名 |
パターン認識
|
| 件名 |
深層学習
|
| 内容紹介 |
なぜディープラーニングはうまくいくのか? ディープラーニングを開花させたここ10年の様々な研究成果を網羅的に概観しつつ、ディープラーニングの中枢を担う原理を掘り下げて解説する。「はじめてのパターン認識」の続編。 |
| 著者紹介 |
慶應義塾大学大学院工学研究科電気工学専攻博士課程修了。筑波大学名誉教授。工学博士。 |
| 言語区分 |
JPN |
| タイトルコード |
1009812640629 |
| 目次 |
第1章 はじめに |
|
第2章 復習・誤差逆伝搬法 |
|
2.1 全結合型ニューラルネットワーク／2.2 誤差逆伝搬法／2.3 損失関数／2.4 MNIST手書き数字認識の学習(実行例2.1)／2.5 まとめ |
|
第3章 自動微分 |
|
3.1 自動微分とは何でないか／3.2 自動微分とグラフ表現／3.3 計算グラフ／3.4 フォワードモード法による自動微分／3.5 リバースモード法による自動微分／3.6 リバースモード法と誤差逆伝搬／3.7 計算グラフを用いたシグモイド関数の微分(練習問題)／3.8 まとめ |
|
第4章 ディープラーニングの最適化技法 |
|
4.1 確率的勾配降下法の復習／4.2 慣性項とNesterovの効用(実行例4.1)／4.3 学習定数のスケジューリング／4.4 よい学習定数を見つける簡便な方法(実行例4.2)／4.5 適応型確率的勾配降下法／4.6 Adamを用いた実行例(実行例4.3)／4.7 まとめ |
|
第5章 活性化関数 |
|
5.1 シグモイド関数／5.2 ReLUとその派生形／5.3 ELU／5.4 SELU／5.5 SELUが自己正規化特性をもつことの確認(実行例5.1)／5.6 GELU／5.7 まとめ |
|
第6章 パラメータの初期化と正則化 |
|
6.1 パラメータ初期化の重要性／6.2 Glorotの初期化と動作確認(実行例6.1)／6.3 Heの初期化と動作確認(実行例6.2)／6.4 直交基底による初期化／6.5 正則化／6.6 L2正則化の例(実行例6.3)／6.7 ドロップアウト正則化／6.8 MCドロップアウト／6.9 ドロップアウトとMCドロップアウトの例(実行例6.4)／6.10 まとめ |
|
第7章 ディープ化の技法 |
|
7.1 勾配クリッピング／7.2 バッチ正規化／7.3 バッチ正規化の効用(実行例7.1)／7.4 バッチ正規化の理解に向けて／7.5 その他の正規化技法／7.6 ResNet／7.7 ResNetによるMNIST手書き数字認識(実行例7.2)／7.8 まとめ |
|
第8章 CNN |
|
8.1 CNNの順方向計算／8.2 CNNの誤差逆伝搬／8.3 バッチ正規化とCNN／8.4 Heの初期化とCNN／8.5 畳み込みパラメータ数の低減／8.6 CNNとResNet／8.7 CNNによるMNIST手書き数字認識(実行例8.1)／8.8 コンピュータビジョンとCNN／8.9 まとめ |
|
第9章 VAE |
|
9.1 オートエンコーダ／9.2 VAE／9.3 VAEをニューラルネットワークで実現する方法／9.4 VAEによるMNIST手書き数字の生成(実行例9.1)／9.5 まとめ |
|
第10章 GAN |
|
10.1 GANの基本／10.2 DCGAN／10.3 DCGANによるMNIST手書き数字の生成(実行例10.1)／10.4 WGAN／10.5 スペクトル正規化によるGANの構成／10.6 スペクトル正規化を用いたDCGANの実行(実行例10.2)／10.7 GANからBigGANへ／10.8 生成画像の多様性と質の評価尺度およびトレードオフ／10.9 まとめ |
|
第11章 RNN |
|
11.1 RNNの構造／11.2 BPTT／11.3 LSTMとGRU／11.4 RNNによる言語モデル／11.5 文字列の学習と生成(実行例11.1)／11.6 単語の分散表現／11.7 エンコーダ・デコーダシステム／11.8 Attentionネットワーク／11.9 翻訳文の評価法／11.10 まとめ |
|
第12章 Self‐AttentionとTransformer |
|
12.1 Transformerの概要／12.2 エンコーダ入力／12.3 エンコーダSublayer 1／12.4 エンコーダSublayer 2／12.5 デコーダ／12.6 最終Layer／12.7 TransformerのAblation Study／12.8 GPT-3とBERT／12.9 Transformerの実行例(実行例12.1)／12.10 ViT／12.11 まとめ |
|
付録 |
|
A.1 式(9.15)の導出／A.2 誘導ノルムの等価性／A.3 生成画像の評価法(ISとFID)／A.4 翻訳文の評価法(BLEU) |
