蔵書情報
この資料の蔵書に関する統計情報です。現在の所蔵数 在庫数 予約数などを確認できます。
資料の状態
各蔵書資料に関する詳細情報です。
| No. |
資料番号 |
資料種別 |
請求記号 |
配架場所 |
状態 |
貸出
|
| 1 |
0015950165 | 図書一般 | 007.13/ｵｶ22/ | 2F自然 | 貸出可 |
○ |
この資料に対する操作
カートに入れる を押すと この資料を 予約する候補として予約カートに追加します。
いますぐ予約する を押すと 認証後この資料をすぐに予約します。
この資料に対する操作
電子書籍を読むを押すと 電子図書館に移動しこの資料の電子書籍を読むことができます。
書誌情報サマリ
| タイトル |
深層学習
|
| 人名 |
岡谷 貴之／著
|
| 人名ヨミ |
オカタニ タカユキ |
| 出版者・発行者 |
講談社
|
| 出版年月 |
2022.1 |
書誌詳細
この資料の書誌詳細情報です。
| 書誌種別 |
図書 |
| タイトル |
深層学習 |
| 並列タイトル |
Deep Learning |
| シリーズ名 |
機械学習プロフェッショナルシリーズ |
| タイトルヨミ |
シンソウ ガクシュウ |
| シリーズ名ヨミ |
キカイ ガクシュウ プロフェッショナル シリーズ |
| 人名 |
岡谷 貴之／著
|
| 人名ヨミ |
オカタニ タカユキ |
| 版次 |
改訂第2版 |
| 出版者・発行者 |
講談社
|
| 出版者・発行者等ヨミ |
コウダンシャ |
| 出版地・発行地 |
東京 |
| 出版・発行年月 |
2022.1 |
| ページ数または枚数・巻数 |
16,366p |
| 大きさ |
21cm |
| 価格 |
￥３０００ |
| ISBN |
978-4-06-513332-3 |
| ISBN |
4-06-513332-3 |
| 注記 |
文献:p329〜360 |
| 分類記号 |
007.13
|
| 件名 |
深層学習
|
| 内容紹介 |
深層学習を俯瞰できるテキスト。ネットワークの基本構造から、学習の基礎となる確率的勾配降下法、誤差逆伝播法、異なるタイプのデータを扱うネットワーク、より発展的な学習方法、深層生成モデルまでを解説する。 |
| 著者紹介 |
東京大学大学院工学系研究科計数工学専攻博士課程修了。東北大学大学院情報科学研究科教授。理化学研究所革新知能統合研究センターチームリーダー。 |
| 言語区分 |
JPN |
| タイトルコード |
1009812557893 |
| 目次 |
第1章 はじめに |
|
1.1 研究の歴史／1.2 本書の構成 |
|
第2章 ネットワークの基本構造 |
|
2.1 ユニットと活性化関数／2.2 順伝播型ネットワーク／2.3 学習の概要／2.4 問題の定式化:出力層と損失関数の設計 |
|
第3章 確率的勾配降下法 |
|
3.1 確率的勾配降下法(SGD)／3.2 汎化性能と過剰適合／3.3 正則化／3.4 学習率の選定と制御／3.5 SGDの改良／3.6 層出力の正規化／3.7 重みの初期化／3.8 その他 |
|
第4章 誤差逆伝播法 |
|
4.1 勾配計算の煩わしさ／4.2 誤差逆伝播法／4.3 自動微分／4.4 勾配消失問題／4.5 残差接続 |
|
第5章 畳み込みニューラルネットワーク |
|
5.1 単純型細胞と複雑型細胞／5.2 畳み込み／5.3 畳み込み層／5.4 プーリング層／5.5 畳み込み層の出力の正規化／5.6 推論のためのCNNの構造／5.7 入出力間の幾何学的関係／5.8 畳み込み層の一般化／5.9 アップサンプリングと畳み込み／5.10 物体カテゴリ認識への適用例 |
|
第6章 系列データのためのネットワーク |
|
6.1 系列データ／6.2 リカレントニューラルネットワーク／6.3 ゲート機構／6.4 自己回帰モデル／6.5 1次元畳み込みネットワーク／6.6 逆伝播の計算 |
|
第7章 集合・グラフのためのネットワークと注意機構 |
|
7.1 集合データを扱うネットワーク／7.2 注意機構／7.3 トランスフォーマー／7.4 グラフニューラルネットワーク |
|
第8章 推論の信頼性 |
|
8.1 推論の不確かさ／8.2 不確かさの数理モデル／8.3 不確かさの予測／8.4 分布外入力の検出／8.5 敵対的事例／8.6 品質保証の試み |
|
第9章 説明と可視化 |
|
9.1 はじめに／9.2 入力による出力の微分／9.3 入力の遮蔽・挿入／9.4 中間層出力の表示／9.5 寄与度の分解／9.6 寄与度の逆伝播／9.7 可視化手法の評価／9.8 影響関数／9.9 学習内容の可視化 |
|
第10章 いろいろな学習方法 |
|
10.1 距離計量学習／10.2 事例集合(マルチインスタンス)学習／10.3 クラスラベルの誤り／10.4 クラス間不均衡／10.5 継続・追加学習／10.6 知識蒸留／10.7 枝刈り／10.8 計算の量子化／10.9 ネットワーク構造探索(NAS) |
|
第11章 データが少ない場合の学習 |
|
11.1 はじめに／11.2 データ拡張／11.3 転移学習／11.4 半教師あり学習／11.5 自己教師学習／11.6 マルチタスク学習／11.7 ドメイン適応・汎化／11.8 少数事例学習／11.9 能動学習 |
|
第12章 生成モデル |
|
12.1 データの生成モデル／12.2 自己符号化器／12.3 変分自己符号化器(VAE)／12.4 敵対的生成ネットワーク(GAN)／12.5 正規化フロー／12.6 ボルツマンマシン |
目次
内容細目
関連資料
この資料に関連する資料を 同じ著者 出版年 分類 件名 受賞などの切り口でご紹介します。
もどる
