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

  • 642人登録
  • 4.42評価
    • (50)
    • (29)
    • (10)
    • (1)
    • (0)
  • 29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

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。

  • ニューラルネットワーク って結局なんぞ?というところに興味が湧いたので一読。世の中で通用するニューラルネットワークを作るにはもう少し知識が必要。ただ、敷居を高めるように感じるGPGPU あたりはクラウド環境とライブラリ群の充実であまり意識しなくてもよい。

    仕組みを理解したい。実際に作るにあたっての入門としてこれほど有用な本はなかなかないのでは?
    仕組みを理解したい読者にとって、python で書かれていることがネックに感じるかもしれない。若干、 python の癖を (わざわざ) 解説している部分もあるが、擬似コードとして読めば特に言語に振り回されることはない。

  • 【機械学習の基礎からディープラーニングの入口まで】
    80%以上を機械学習にしっかり触れている。図とソースが豊富で実践的に知識が得られるのが良い。機械学習を自分の手で動かして始めたい人にオススメ。

  • ライブラリをなるべく使わずにディープラーニングが理解できる。

  • 理論と実装のバランスが取れている本だと思いました。
    章を追って順にやっていくと、Deep Learning の実装ができるという優れもの。

    仮に Python ができなくても、
    コードを書くことを仕事にしている人には、
    大きな壁にはならない程度に説明してくれています。
    (実際に私は C# が一番なので、誤差逆伝播法までは C# でやったので、
     理解を深めることができたと感じています。)

    数式が出てこないわけではないですが、出てきてもわかりやすく、
    基本的にはコードを書きながら、図などを使って説明してくれています。
    誤差逆伝播法の計算グラフの説明などは、
    イメージを把握するにはとてもわかりやすい説明だなと思いました。

    とは言えどこまで行っても数学無しでは理解できないので、
    基本的な行列計算と微分の知識は前提になっているかなとは思います。
    そこがまだの人は、他の本で少し鳴らしてから読んだほうが入りがいい気はします。

  • 前半は楽しめたし、すごくわかりやすい内容だった。
    数式と言語での説明のバランスも良かったと思う。
    後半は興味のない内容だったこともあり読み飛ばした。

  • 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

全29件中 1 - 10件を表示

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
ベン・ホロウィッ...
デール カーネギ...
Bill Lub...
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はこんな本です

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を本棚に「積読」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。

ツイートする