資料詳細

  • 1 件中、 1 件目

はじめてのパターン認識 ディープラーニング編

平井 有三／著

森北出版 2022.12

所蔵

所蔵は 1 件です。現在の予約件数は 0 件です。

所蔵館 所蔵場所 請求記号 資料コード 資料区分 持禁区分 状態
オーテピア高知図書館 3Fビジネス－IT /007.13/ﾋﾗ/ 1111689228 一般   利用可 iLisvirtual

ページの先頭へ

館別所蔵

所蔵数 貸出中数 貸出可能数
合計

ページの先頭へ

資料詳細

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
著者 平井 有三 ／著  
著者典拠番号 110002528390000
出版者 森北出版
出版地 東京
出版年 2022.12
ページ数 6,266p
大きさ 22cm
言語 日本語
一般件名 パターン認識
一般件名典拠番号 510336800000000
NDC分類(9版) 007.13
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。
ISBN 4-627-85071-2
ISBN13桁 978-4-627-85071-2
本体価格 ¥3600
資料情報1 『はじめてのパターン認識 ディープラーニング編』　平井 有三／著 　森北出版　2022.12（所蔵館：オーテピア高知図書館　 請求記号：/007.13/ﾋﾗ/　 資料コード：1111689228）
URL
https://opac.library.kochi.jp/winj/opac/switch-detail.do?lang=ja&bibid=1120681279

ページの先頭へ

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)
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
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)
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)

ページの先頭へ