概要

初学者の方々に向け，ディープラーニングの発展技術をまとめた解説書。

ディープラーニングは現在のAI/人工知能の発展の中核を担っており，スマートフォンからIoT，クラウドに至るまで幅広い領域で，画像，音声，言語処理をはじめとした多くの対象分野に浸透し，目覚ましい進展をもたらしています。

ディープラーニングの今の基本をまとめた前作に続き，本作ではニューラルネットワークにおける大きな謎である「なぜ学習できるのか」「なぜ汎化するのか」にスポットを当て平易に解説。合わせて，将来的な革新の可能性を秘める二大トピックとして，「生成モデル」「深層強化学習」も詳しく取り上げます。そして，4つのテーマのもと，ディープラーニングや人工知能について課題を整理し，今後を考えていきます。

多様な問題を一つのアプローチ，アルゴリズムで解ける驚異的な技術。ディープラーニングが一段と進化していく将来につながる，長く役立つ原理，原則，考え方を紐解く1冊です。

こんな方におすすめ

• 広くディープラーニング，人工知能を取り巻く技術に関心がある方々
• ディープラーニングの今と今後の発展について，知っておきたい方々
• ディープラーニングとその周辺分野の研究に興味がある方
• ディープラーングを学んでいて使っている方々

知的好奇心から，なぜディープラーニングが成功しているのかを知りたいという方々も大歓迎です。

サンプル

目次

第0章 ディープラーニングとは何か表現学習とタスク学習，本書解説の流れ

• 0.1 ［速習］ディープラーニング
• 0.2 ニューラルネットワークの「学習」における大きな謎
• 0.3 これから学ぶ生成モデル
• 0.4 これから学ぶ強化学習
• 0.5 ディープラーニングと人工知能の課題とこれから

第1章 ディープラーニングの最適化なぜ学習できるのか

• 1.1 最適化による学習
• 1.2 ［概要］学習の効率化
• 1.3 モーメンタム法
• 1.4 学習率の自動調整
• 1.5 ハイパーパラメータの最適化
• 1.6 本章のまとめ

第2章 ディープラーニングの汎化なぜ未知のデータをうまく予測できるのか

• 2.1 従来の汎化理論との矛盾
• 2.2 ニューラルネットワークと陰的正則化
• 2.3 明示的な正則化
• 2.4 本章のまとめ

第3章 深層生成モデル生成を通じて複雑な世界を理解する

• 3.1 生成モデル＆深層生成モデルとは何か
• 3.2 VAEニューラルネットワークを使った潜在変数モデル
• 3.3 GAN敵対的生成モデル
• 3.4 自己回帰モデル
• 3.5 正規化フロー
• 3.6 拡散モデル
• 3.7 本章のまとめ

第4章 深層強化学習ディープラーニングと強化学習の融合

• 4.1 強化学習の基本
• 4.2 強化学習はどのような特徴を持つのか
• 4.3 最適な方策を直接求めるモンテカルロ推定
• 4.4 方策と価値
• 4.5 ベルマン方程式隣り合う時刻間の価値の関係を表す
• 4.6 MC学習，オンライン版MC学習オンラインでの方策の価値推定①
• 4.7 TD学習オンラインでの方策の価値推定②
• 4.8 予測から制御へ問題のどこが変わるのか
• 4.9 方策オン型学習基本の考え方とSARSA
• 4.10 方策オフ型学習人の振り見て我が振り直せ
• 4.11 関数近似価値をパラメトリックモデルで近似する
• 4.12 方策勾配法方策の勾配を使って最適方策を学習する
• 4.13 DQNディープラーニングと強化学習の融合
• 4.14 AlphaGoコンピュータ囲碁での強化学習の適用例
• 4.15 モデルベース強化学習
• 4.16 本章のまとめ

第5章 これからのディープラーニングと人工知能どのように発展していくか

• 5.1 学習手法の発展自己教師あり学習
• 5.2 人工知能と計算性能の関係
• 5.3 問題固有の知識をどう組み込むか
• 5.4 ディープラーニングの今後の課題
• 5.5 本章のまとめ

サポート

補足情報

著者の岡野原大輔氏による本書のサポートページは，次のとおりです。

https://hillbig.github.io/deeplearning-techbooksplus/