人工知能やディープラーニングに使えるライブラリやフレームワークが数多く登場しており、試すだけならば難しくありません。数行のソースコードを書くだけで、それなりの結果が得られ、便利になりました。しかし、処理の裏側がまったくわからず、良い結果が得られないときに原因がわからないという問題も。専門書を読むには数学の知識が求められますが、その内容は高校までの数学の範囲を超えています。文系で過ごしてきた人にはさっぱり理解できず、理系の人でも時間が経って忘れてしまった人も少なくありません。
　そこで、本セミナーでは、ディープラーニングの実装に求められる範囲の数学に絞って、Pythonでの実装と合わせて紹介します。

• ディープラーニングの概要
• 人工知能と機械学習とは
• 数学が求められる背景
• 機械学習、ディープラーニングを行う上で必要な数学的知識
• 数列と統計、確率
• 平均、分散、標準偏差
• データの分布と確率分布
• ベイズの定理と最尤推定
• ベクトルと行列
• 関数と微分
• 勾配降下法
• 抑えておくべきポイント
• ディープラーニングにおける学習
• 損失関数とは
• モデルの評価
• 手法の妥当性判断に繋げるために
• 必要なデータの形式と量
• よく使われるデータと特徴
• 外部データの活用 など
• 質疑応答