技術セミナー・研修・出版・書籍・通信教育・eラーニング・講師派遣の テックセミナー ジェーピー

Chainerを利用した DeepLearningプログラムの基礎と実際

Chainerを利用した DeepLearningプログラムの基礎と実際

東京都 開催

開催日

  • 2017年5月11日(木) 13時00分 17時00分

受講対象者

  • 機械学習の応用分野に関連する技術者、研究者
    • 画像処理
    • 信号処理
    • 医療福祉
    • スポーツ分野
    • セキュリティ (監視カメラ、警備、防犯)
    • ロボット
    • コンピュータビジョン
    • 異常行動検出、異常領域検出
    • 統計
    • 経済学 など
  • 機械学習、パターン認識分野の技術者、研究者
  • これから機械学習、パターン認識に携わる技術者、開発者
  • Deep Learning のプログラムの作成方法を知りたい方
  • Chainer を利用した Deep Learning のプログラムの作り方を知りたい方

修得知識

  • 最急降下法と誤差逆伝播法の理解
  • Chainer による Deep Learning のプログラム作成法
  • GPU の導入方法と Chainer からの使い方

プログラム

 現在、人工知能の分野では Deep Learning という技術が注目されています。メディアにも頻繁に取り上げられ、Deep Learning がどういう技術で、どういったことができるのかは、ある程度、認知されているとは思います。
 ただ Deep Learning のプログラムは何をやっているのか、どうやって作成すればよいのかなどのプログラムに関する部分は、まだ広くは知られていないと思います。
 通常、Deep Learning のプログラムを作るには、Deep Learning のフレームワークを利用します。そして従来から様々なフレームワークが提案されてきましたが、どれも皆、対象とするネットワークがサンプルプログラムのものと違ってしまうと、とたんにプログラミングが困難になってしまいます。
 このような状況において、2015年6月に 株式会社 PFI がChainer というDeep Learning のフレームワークを公開しました。Chainer は複雑なネットワークでも、簡単にDeep Learning のプログラムが書けるという大きな特徴があります。
 本講座では Chainer を使った Deep Learning のプログラム作成法を示します。簡単なネットワークでも、複雑なネットワークでも、作り方は同じであることを理解し、Chainer を用いて、自分の考えたモデルに対するDeep Learning のプログラムが書けるようになることを目指します。 またプログラムの書き方が分かれば、Deep Learning についてもう一歩深く理解できると思います。

  1. ニューラルネット
    • Deep Learning をニューラルネットという観点から説明します。
    • Deep Learning は簡単に言ってしまえば従来のニューラルネットを多層にしたものです。なぜこれまで多層にできなかったのか、なぜ多層にすることで、これほどの成果が出せるのかを説明します。
      1. ニューラルネットとは何か
      2. ニューラルネットの層の数
      3. 多層にする工夫
  2. 最急降下法と誤差逆伝播法
    • ニューラルネットは訓練データから関数を推定する回帰のモデルです。
    • その推定方法が最急降下法になります。ニューラルネットの関数のモデルはネットワークなので、この最急降下法がいわゆる誤差逆伝播法と呼ばれるものであることを解説します。
      1. ニューラルネットにおける学習
      2. 目的関数
      3. 最急降下法
  3. Chainer の仕組み
    • Deep Learning の学習も関数を推定する回帰の問題であり、最急降下法が使われます。最急降下法では勾配を求める部分がポイントです。Chainer ではどのように勾配を求めるのかを説明します。具体的にChainer のプログラムで利用するオブジェクトを説明しながら、どのように関数を推定しているのかを確認してゆきます。
      1. 合成関数と計算グラフ
      2. 計算グラフを利用した勾配計算
      3. Chainer 基本オブジェクト
        1. Variable
        2. functions
        3. links
      4. 最適化
  4. Chainer の基本
    • まず Chainer のプログラムのひな形を示します。次に簡単な分類問題を例として、その問題を解く Chainer のプログラムをひな形に沿って作って見ます。またミニバッチによる動作及び誤差の累積による動作を簡単な例で示し、それらの違いを説明します。
      1. Chainer のプログラムのひな形
      2. パラメータ推定
      3. Chainer による分類問題の分類器構築
      4. ミニバッチ
      5. 誤差の累積
  5. Recurrent Neural Network
    • Recurrent Neural Network (RNN) は従来のフィードフォワード型のネットワークではなく、少し複雑なネットワークです。どういうネットワークで何に使えるかを説明した後に、Chainer による RNN のプログラムを示します。ただしChainer が提供する L.LSTM は用いずに、ネットワークの図から LSTM をChainer で作成する方法を示します。
      1. RNN とは何か
      2. RNN のネットワーク図
      3. Chainer による RNN
      4. LSTM
      5. LSTM のネットワーク図
      6. Chainer による LSTM
  6. GPU の利用
    • 現在、Deep Learning の学習には GPU は必須と言えます。導入に際しての基礎知識と、Chainer からの利用方法を説明します。
      1. GPU とは何か
      2. GPU の選択
      3. CUDA の導入
      4. cuDNN の導入
      5. CuPy
      6. Chainer での GPU の利用

講師

  • 新納 浩幸
    茨城大学 工学部 情報工学科
    教授

会場

オームビル
東京都 千代田区 神田錦町3-1
オームビルの地図

主催

お支払い方法、キャンセルの可否は、必ずお申し込み前にご確認をお願いいたします。

お問い合わせ

本セミナーに関するお問い合わせは tech-seminar.jpのお問い合わせからお願いいたします。
(主催者への直接のお問い合わせはご遠慮くださいませ。)

受講料

1名様
: 43,000円 (税別) / 46,440円 (税込)
1口
: 56,000円 (税別) / 60,480円 (税込) (3名まで受講可)

割引特典について

  • 複数名 同時受講:
    1口 56,000円(税別) / 60,480円(税込) (3名まで受講可能)
本セミナーは終了いたしました。

これから開催される関連セミナー

開始日時
2017/8/24 画質改善・画像復元・超解像技術のポイント解説と医用画像への応用 東京都
2017/8/28 機械学習による画像物体認識の仕組みと最新動向 東京都
2017/8/29 Pythonで学ぶ機械学習の実践 東京都
2017/8/29 ディープラーニングの基礎と実践 東京都
2017/8/30 次世代カメラの画像処理 東京都
2017/8/31 生体ビッグデータ・AI (とくにディープラーニング) を用いた創薬・ドラッグリポジショニングの実際 東京都
2017/9/4 現役クオンツが教える 実践・Python金融工学3日間総合パック 東京都
2017/9/4 イールドカーブロジックの実装とマルチカーブを用いたプライシング 東京都
2017/9/4 強化学習の基礎とロボットの運動制御技術への応用 東京都
2017/9/8 スマイルモデル (SABR、ShiftedSABR) 実装とマイナス金利対応モデル 東京都
2017/9/8 ものづくり企業における人工知能の導入事例と最適活用法 大阪府
2017/9/12 機械学習・ディープラーニングの基礎と利用方法 東京都
2017/9/13 Pythonで始める機械学習入門 Plus 東京都
2017/9/19 パターン認識・機械学習の基礎とPythonによる実装入門 東京都
2017/9/22 Pythonで学ぶ機械学習入門 東京都
2017/9/22 車載カメラ・LiDARによる車両・人物・物体認識技術およびその最新動向 東京都
2017/9/22 マルチモーダル情報に基づく人間の内部状態の推定・モデル化 東京都
2017/9/27 人工知能システム開発における必要知識と外注の仕方、留意点 東京都
2017/9/29 LIBOR marketモデルのcalibrationとMC法によるエキゾチックデリバティブ評価 東京都
2017/9/29 機械学習・ディープラーニングの画像認識への応用技術 東京都