-
Python 3とNumPyで単層・多層ニューラルネットワークを自作して、機械学習の仕組みを理解しよう。バックプロパゲーションの仕組みをスクラッチで理解することで、ディープラーニングのライブラリを使いこなせるようになります。
What you'll learn:- パーセプトロンによる学習について手動計算をして仕組みを理解できます。
- 勾配降下法の仕組みを数式解説を見たり、コードを書いて理解できます
- ゼロからニューラルネットワークを書いて仕組みを理解できます
- 逆伝播（バックプロパゲーション）が機能する仕組みをデータの流れを確認して理解できます
- TensorFlowやScikit-learn, chainer, Caffe 2などでブラックボックス化されている仕組みを理解し、より効果的な設計や最適化ができるようになります。
＊2017/8/14 最終課題のサンプルコード（Jupyter Notebook形式）を掲載しました。
＊2017/6/2 バックプロパゲーションのレクチャーを追加しました。
＊2017/5/17 多層ニューラルネットワークでの出力計算を掲載しました。
ニューラルネットワークを多層化したディープラーニングは、画期的な精度向上を実現し、大変注目を集めています。そして、TensorFlow, Chainer, Caffe 2などさまざまなライブラリが登場して、以前より手軽にディープラーニングを実装できるようになりました。
しかし、こうしたライブラリを使いこなすためにも、ブラックボックス化されている最適化の手法を理解しておくと、学習の精度を向上させるためのパラメーター最適化などに役立ちます。
この講座では、上記のような各種ライブラリを使用せず、NumPyやPandasなど行列計算やデータ入出力ライブラリだけを使用してニューラルネットワークを作成し、誤差の逆伝播（バックプロパゲーション）による重みの最適化や、勾配降下法の原理についての理解を目指します。
これにより学習率や隠し層の数などのパラメーターを変化させると、結果にどのような影響があるのか、を体験を通じて理解できます。
レクチャーでは数学的な処理についても逐一解説をしていきます。中学レベルの数学的知識があれば理解できるように指数対数や、微分、合成関数の微分（チェインルール）などについて解説をしますので、高校数学に自信がない方でもチャレンジできます。
数学的な解説・理解が不要な方、映像による学習は好きではない方には受講をお勧めしませんので、十分ご注意ください。
それでは一緒に学びましょう！
Overview
