ディープラーニング1

本授業では、深層学習を扱う前に機械学習全体の概要を説明し、機械学習アプローチの大まかな分類について説明をします。

本授業では、機械学習における「学習」と「推論」について定義およびその中身について説明をし、機械学習の概観を理解してもらいます。

本授業では、学習させた機械学習モデルの評価方法と選択方法について紹介をし、研究や実応用において重要な方法論を学びます。

本授業では、ロジスティック回帰を事例に実際の学習方法について学び、次回以降の深層学習に向けた知識を獲得します。

本授業では、第１回から第４回までで扱った機械学習の知識をもとに、ロジスティック回帰の演習をJupyter Notebookを用いて行います。

本授業では、非線形な関係を持つ多くの実データを最も簡素な線形モデルでは解くことができないことを解説します。本授業により、ニューラルネットワーク導入の動機理解を促進します。

本授業では、多層マルチパーセプトロン（ニューラルネットワーク）の基本的な考え方とその構成要素について説明をします。

本授業では、多層マルチパーセプトロンの学習方法の一つである誤差逆伝播法を解説し、その際に利用する微分の連鎖律の説明を行います。

本授業では、多層パーセプトロンを３層以上にした場合に生じる問題について紹介します。

本授業では、第６回から第９回までで扱ったニューラルネットワークの基本的な実装についてJupyter Notebookを利用して、演習を行います。

本授業では、ニューラルネットワークを学習するためのオプティマイザと呼ばれる最適化アルゴリズムについて解説し、様々な種類のオプティマイザを紹介します。

本授業では、ニューラルネットワークの学習をより効率的にするための手段としてパラメータの初期化戦略を紹介します。

本授業では、ニューラルネットワークの学習において第11回、第12回で紹介していない最適化戦略、メタアルゴリズム、正則化について説明し、その種類を紹介します。

本授業では、これまで扱ってきたニューラルネットワークの学習テクニックを踏まえた実践的な方法論について説明をします。

本授業では、第11回から第14回まで扱ったニューラルネットワークの最適化および正則化について、Jupyter Notebookを用いた演習を通して理解してもらいます。