ディープラーニングは複数の層が積まれた、多層構造のネットワークを用いて巧みに機械学習するための技術です。本講座は、基礎的な背景を含めて、ディープラーニングと触れ合うための最低限の知識習得を主眼としています。何故、ディープラーニングが出てきたのか、そして、何故ディープラーニングが凄いのか。そして、様々なディープラーニングの手法があるけれども、それらの違いや関連性がよく分からないなど。それらの“何故”や“疑問”に出来るだけ答えていくことが本講座の目標の一つとなっています。
　また、習得した知識を活用するための実践的知識の獲得も本講座の目的の一つとなっています。

1. 機械学習とは何か?
   1. 機械学習が目指すもの
   2. 機械はデータから知識を獲得する
   3. 機械学習の種類
      1. 教師あり学習
      2. 教師なし学習
      3. 教師なし学習と人工知能
   4. 本講座の概要
2. 深層学習への道
   1. ニューラルネットワークの基礎
      1. 単純パーセプトロン ～機械学習の事始め～
      2. フィードフォワードニューラルネットワーク
      3. 誤差逆伝播法
      4. ニューラルネットワークの第一技術限界
   2. 深層学習に用いられるニューラルネットワークのしくみ
      1. 事前学習という考え方
      2. 自己符号化器は情報を圧縮する
      3. 積層自己符号化器がディープラーニングの一つの雛形
      4. 表現学習という言葉 ～特徴量の抽出と学習～
      5. 深層学習は一言でいうと○○をしている!
3. その他の深層学習モデル
   1. 畳み込みニューラルネットワーク (CNN)
      1. CNNの仕組み
      2. CNNの学習
      3. CNNの使いどころ
   2. リカレントニューラルネットワーク (RNN)
      1. RNNの仕組み
      2. RNNの学習
      3. RNNの使いどころ
4. 深層学習の深層部と実例実践
   1. 画像データを深層学習してみる
      1. 自動獲得されるフィルタ
      2. 学習された表現が組み込まれている場所
   2. 実践的な技術 ～パラメータチューニングの具体的な方法～
      1. 層を積むほど性能は上がるのか?
      2. 過適合の問題と見抜き方 ～過適合は最悪のアプリを導く～
      3. 正則化技術は過適合を緩和させる
      4. ディープラーニングの正則化技術
      5. 少数データでの学習はどうするか?
      6. いくつかの実例で実践を学ぶ
5. 本講座のまとめ
• 質疑応答・名刺交換