ディープラーニングの基礎と応用

一覧に戻る

<学習・基礎編　AIを支える技術について>

　①技術面からみたAIの立ち位置と押さえておくべきIT技術について

　②機械学習の基礎知識

　③ニューラルネットワークの基礎 (8章構成)

　　　・ニューロンとパーセプトロン

　　　・活性化関数

　　　・ヘップ則とデルタ則

　　　・ニューラルネットワークの学習

　　　・学習方法の違いと損失関数

　　　・勾配法

　　　・誤差逆伝搬法

　　　・【コラム】次元の呪いと過学習

　④畳み込みニューラルネットワーク (13章構成)

　　　・畳み込みニューラルネットワークの基本

　　　・畳み込み演算

　　　・畳み込み層

　　　・深層畳み込みニューラルネットワーク

　　　・ゼロパディングによる畳み込み

　　　・範囲を広げての畳み込み

　　　・畳み込みReLU層

　　　・プーリング層

　　　・全結合層

　　　・深層畳み込みニューラルネットワークの学習

　　　・オーバーフィッティングとドロップアウト

　　　・畳み込みの更に詳細な情報

　　　・【コラム】GPUを用いた学習

<学習・応用編　ディープラーニングの応用>

ディープラーニングの応用①：再帰型ニューラルネットワーク(RNN)

ディープラーニングの応用②：LSTMニューラルネットワーク

ディープラーニングの応用③：ゲート付き回帰ユニット(GRU)

ディープラーニングの応用④：RNN言語モデル(自然言語処理の初歩)

ディープラーニングの応用⑤：Sequence-To-Sequencemモデル

ディープラーニングの応用⑥：Attention

<自然言語処理技術と言語から画像を生成する技術の原理>

・【GPT】Improving Language Understanding by Generative Pre-Training
　　　　論文は こちら

・【GPT2】Language Models are Unsupervised Multitask Learners
　　　　論文は こちら

・【GPT3】Language Models are Few-Shot Learners
　　　　論文は こちら

・CLIP(Contrastive Language-Image Pre-Training)について
　　　　論文は こちら

・Diffusion Modelについて
　　　　論文は こちら

一覧に戻る