ディープラーニング (深層学習) 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、使い方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。基礎から実践に至るまで、幅広い知識習得をカバーします。

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
      4. CNN は何故良いのか?
4. 深層学習の実践技術
   1. データを深層学習してみる
      1. 深層学習の基本手順
      2. 学習するときはコレに注目せよ ～学習誤差の指標～
      3. 学習された表現が組み込まれている場所 ～表現学習の意味～
   2. 実践的な技術(1) ～パラメータチューニングの具体的な方法～
      1. 最近の学習法 (Adam法とAdaMax法)
      2. パラメータの初期化はかなり大切 (パラメータの初期化法と入力の正規化)
      3. その他の最新技術
   3. 実践的な技術(2) ～より良いアプリを作るためには～
      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. 深層学習の正則化技術 (ドロップアウトとバッチ正則化)
   4. 深層学習を使用する際の色々なコツ
      1. 学習が難しいデータでの学習はどうするか?
      2. 設計のコツ
      3. その他の技術的コツ
5. 本講座のまとめ
• 質疑応答