ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

  • 595人登録
  • 4.41評価
    • (41)
    • (26)
    • (8)
    • (1)
    • (0)
  • 24レビュー
著者 : 斎藤康毅
  • オライリージャパン (2016年9月24日発売)
  • Amazon.co.jp ・本 (320ページ)
  • / ISBN・EAN: 9784873117584

この本を読んでいる人は、こんな本も本棚に登録しています。

有効な左矢印 無効な左矢印
ジェームス W....
ベン・ホロウィッ...
デール カーネギ...
有効な右矢印 無効な右矢印

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装の感想・レビュー・書評

並び替え:

表示形式:

表示件数:

  • ディープラーニングよくわからないから、なんとなくわかる。まで確実連れて行ってくれる一冊。

    Pythonがわからなくても十分に読める本であり、自分の得意な環境に応用していくのも難しくない。確実にディープラーニングの基礎を習得できます。

  • GWの4日間使ってやってみた。集中した時間は延べ16時間くらい。Pythonやったことある人なら8〜10時間くらいで終わるのでは。Deep Learningの流れが分かってオススメです。

  • うーん、やっぱり難しい。やりたいことあるんだけどなあ。

  • プログラミングの経験がある人がDeep Learningの仕組みを学び始めるにはちょうど良い本だと思う。

  • 2017.10.8

  • ニューラルネットワークがどんなものか、ディープラーニングがどんなものか、ステップバイステップで解説されており、分かりやすかった。

    ディープラーニングの原理原則を理解したいのなら、読んでおいて損はないと思う。

  • ある程度pythonを知っている、他のプログラムを書いていたなど、全くの初心者で無ければ読めます。
    MNISTがちょいちょい出ていますので、誰かのblogなどを読んでおけば理解は早いです。

    基礎からですので応用までは届きませんが、手元に置いておきたい良書です。

  • Python も機械学習やディープラーニングも、全くの素人ですが、なんとか読了。おぼろげながらその姿が見えた感じです。Pythonの環境構築に手間取りましたが、それ以降は親切な教材準備のおかげで読み進めることができました。
    再読と他の書籍へのチャレンジで、よりこの世界を知りたいと思いました。素人が入り口にたてた意味では良書だし、再読することでより深く学べる期待も持てる良書。

  • <感想>
    ゼロから学ぶといいつつ、コンピュータと数学の基礎が必要。
    特に数学の部分は線形・微分・ネイピア数など、割と数2以降と思われる知識がないと厳しいので
    私立文系の自分にはきつかった。
    ただ、本書の使い方としては、家でじっくりサンプルコードを動かしながら、、、というのが正しいはずなので、電車の中で読んで「きつい」というのはフェアな評価ではないとも思う。
    二週目は時間作ってじっくり向き合ってみたい。

    <各章ごとに重要だと思った部分>
    2章:パーセプトロン
    パーセプトロンは入出力を備えたアルゴリズム
    「重み」「バイアス」をパラメータ設定することでAND・ORの論理演算ができる
    XORはパーセプトロンでは表現できないが、多層にすることで可能になる
    →この「多層にする(重ねる)」というのが今後のポイントになってくる
     多層にすることで理論上はコンピュータを表現できると言っている

    3章:ニューラルネットワーク
    日本語訳は「神経回路網」
    ニューラルネットワークではシグモイド関数やReLU関数のような滑らかに変換する関数を使う
    →滑らかとは、「ただの直線ではない」といった意味合い
    →PythonのNumPyの多次元配列を使うと効率よく実装できるとのこと(多次元配列の積の計算方法があまり腹落ちしなかったが深追いするのはやめにした)
    機械学習の問題は、
    回帰問題→恒等関数を利用
    分類問題→ソフトマックス関数を利用
    に大別できるとのこと

    4章:ニューラルネットワークの学習
    訓練データとテストデータの使い分け
    訓練データ:学習用
    テストデータ:評価用
    損失関数が小さくなるように重みパラメータを更新するアプローチをとる
    →重みパラメータの勾配
    微小な値を与えた時の差分で微分を求める「数値差分」という手法
    →時間がかかるが実装は簡単

    5章:誤差逆伝播法
    この章では視覚的にグラフを使って誤差逆伝播法を説明
    →なんとなくわかるけど「なるほど」とまではならなかった・・・
    →全体が複雑でも局所的な微分を行うことで問題を単純化するという発想のよう

    6章:学習に関するテクニック
    割愛

    7章:畳み込みニューラルネットワーク
    「畳み込み」ってのがポイント
    フィルターで演算対象を絞り込んでいくイメージ
    なお、ビッグデータ・GPUの発展がディープラーニングに大きく貢献

    8章:ディープラーニング
    ネットワークを深くすると一般的に性能向上が期待できる
    物体認識(数字の読み取りとか)だけではなく、物体検出にも利用できる(顔検出的な)

全24件中 1 - 10件を表示

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装を本棚に「いま読んでる」で登録しているひと

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装を本棚に「読み終わった」で登録しているひと

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装の作品紹介

実際にシステムを作りながらディープラーニングを学ぶ!
ディープラーニングの本格的な入門書。外部のライブラリに頼らずに、Python 3によってゼロからディープラーニングを作ることで、ディープラーニングの原理を楽しく学びます。ディープラーニングやニューラルネットワークの基礎だけでなく、誤差逆伝播法や畳み込みニューラルネットワークなども実装レベルで理解できます。ハイパーパラメータの決め方や重みの初期値といった実践的なテクニック、Batch NormalizationやDropout、Adamといった最近のトレンド、自動運転や画像生成、強化学習などの応用例、さらには、なぜディープラーニングは優れているのか? なぜ層を深くすると認識精度がよくなるのか? といった“Why”に関する問題も取り上げます。

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装はこんな本です

ツイートする