インプレス[コンピュータ・IT]ムック ディープラーニング実装入門 PyTorchによる画像・自然言語処理
インプレス / 2020年12月21日 / 全343ページ
機械学習の登場により、画像の分析/異常検知/テキストの解析など、飛躍的に高精度なデータの分析が可能となりました。本書は、機械学習の手法の中でもディープラーニングに注目し、その実現の方法をまとめていきます。基礎知識のまとめから、Python言語とフレームワークPyTorchを使ったプログラミング、クラウドによる環境構築までを一気通貫に解説しています。理論から実行基盤構築までのさまざまな要素を紹介し、業務にも応用可能な本格的システムを作るための知識が身につく一冊です。
目次
- サンプル/正誤表/商標など
- はじめに
- 第1章 人工知能・機械学習・ディープラーニング/1.1 人工知能(AI)
- 1.2 機械学習
- 1.3 ディープラーニング
- 1.4 ディープラーニング活用までの流れ
- 1.5 ディープラーニング周辺の技術地図
- 第2章 ニューラルネットワークの数学/2.1 ニューラルネットワークの概要
- 2.2 順伝播
- 2.3 逆伝播
- 2.4 学習の工夫
- 第3章 PyTorch(基礎編)/3.1 PyTorchの概要
- 3.2 ネットワークの定義
- 3.3 学習
- 第4章 PyTorch(応用編)/4.1 PyTorch Lightningによる学習ループの簡略化
- 4.2 Axによるハイパーパラメータの調整
- 第5章 環境構築/5.1 環境構築の選択肢
- 5.2 Google Colaboratory
- 5.3 Microsoft Azure
- 5.4 Docker
- サンプル/正誤表/商標など
- はじめに
- 第1章 人工知能・機械学習・ディープラーニング/1.1 人工知能(AI)
- 1.2 機械学習
- 1.3 ディープラーニング
- 1.4 ディープラーニング活用までの流れ
- 1.5 ディープラーニング周辺の技術地図
- 第2章 ニューラルネットワークの数学/2.1 ニューラルネットワークの概要
- 2.2 順伝播
- 2.3 逆伝播
- 2.4 学習の工夫
- 第3章 PyTorch(基礎編)/3.1 PyTorchの概要
- 3.2 ネットワークの定義
- 3.3 学習
- 第4章 PyTorch(応用編)/4.1 PyTorch Lightningによる学習ループの簡略化
- 4.2 Axによるハイパーパラメータの調整
- 第5章 環境構築/5.1 環境構築の選択肢
- 5.2 Google Colaboratory
- 5.3 Microsoft Azure
- 5.4 Docker
- 第6章 画像処理/6.1 画像処理入門
- 6.2 畳み込みニューラルネットワーク
- 6.3 CNNの計算
- 6.4 画像分類(MNIST)
- 6.5 画像分類(CIFAR10)
- 6.6 ファインチューニング
- 6.7 自家製データの利用
- 第7章 ハイパーパラメータの最適化/7.1 Azure ML/7.2 Azure MLの立ち上げ
- 7.3 低優先度クォータのリクエスト
- 7.4 Azure ML SDKのインストール
- 7.5 データセットの準備
- 7.6 固定されたハイパーパラメータでの検証
- 7.7 Azure MLによるランダムサーチ
- 第8章 自然言語処理
- 8.1 自然言語を扱う難しさ
- 8.2 自然言語処理を理解するロードマップ
- 8.3 形態素解析ライブラリMeCab
- 8.4 名詞抽出
- 8.5 特徴量への変換
- 8.6 文書分類
- 8.7 文章分類
- 8.8 文章生成
- 第9章 デプロイ/9.1 Azure Blob Storage
- 9.2 Irisデータでネットワークを学習
- 9.3 MNISTでネットワークの学習
- 9.4 Azure Blob Storageモデルを保存
- 9.5 Azure VMを使ったWebアプリケーションの基礎
- 9.6 Azure MLで学習
- 9.7 Azure MLへのデプロイ
- 9.8 コマンドでの一連の流れの操作
- 9.9 推論サーバーへのリクエスト
- おわりに
- 索引
- 著者紹介
- 奥付
※このデジタル雑誌には目次に記載されているコンテンツが含まれています。それ以外のコンテンツは、本誌のコンテンツであっても含まれていません のでご注意ください。
※電子版では、紙の雑誌と内容が一部異なる場合や、掲載されないページがある場合があります。