-
-
[1.1.1 Python インストール] (#111-python インストール)
- [Python インタープリターのインストール] (#python インタープリターのインストール)
- jupyter Notebook プログラミング環境
- [Anaconda インストール ツール] (#anaconda インストール ツール)
[1.1.2 オブジェクト、print()関数、型変換、コメント、変数、input()関数] (#112 -- オブジェクト print 関数型変換コメント変数入力関数)
[1. オブジェクト] (#1--オブジェクト)
[4. コメント] (#4-コメント)
[5.変数] (#5--変数)
[添字演算子[]](#添字演算子)
[文字列整形] (#文字列整形)
[1.1.4 制御ステートメント] (#114-制御ステートメント)
[1.1.5 Python でよく使用されるコンテナ タイプ] (#115 -- Python でよく使用されるコンテナ タイプ)
- [1.リスト (リスト)] (#1--リスト リスト)
- インデックス
- スライス
- [for to traverse all elements] (#for-to traverse all elements)
- [2.tuple(タプル)] (#2タプルタプル)
- [3.set (コレクション)] (#3-setset)
- 4.dict(辞書)
[1.1.6 関数] (#116--関数)
-
[数学数学パッケージ] (#数学数学パッケージ) - [グローバル変数とローカル変数] (#グローバル変数とローカル変数) - 匿名/Lambda 関数 (匿名/ラムダ関数) - ネストされた関数、クロージャ - [yield and generator] (#yield and generator)
[1.1.7 クラスとオブジェクト] (#117--クラスとオブジェクト)
[1.1.8 Matplotlib 入門] (#118-matplotlib 入門)
[9. 追加、リピート & レイ、マージ & スプリット、エッジ フィル、軸の追加 & 軸の交換] (#9 - リピートの追加 & レイ マージ & エッジ フィルの追加 軸の追加 & 軸の交換) - repeat repeat() - lay tile() - merge concatenate() - オーバーレイ スタック() - column_stack(), hstack(), vstack() - スプリット() - [エッジパディング] (#エッジパディング) - 軸を追加 - 交換軸
-
- [1. 要素別計算] (#1-要素別計算)
- [アダマール積] (#アダマール積)
- [2.累積計算] (#2-累積計算)
- [3. 内積] (#3--内積)
- 4放送放送
[1.3 微積分] (#13-微積分)
-
[1.3.8 ポイント] (#138-ポイント)
[1.4 確率の基本] (#14-確率の基本)
[1.4.1 確率] (#141-確率)
[1.4.3 確率変数] (#143-確率変数)
[1.4.7 期待、分散、共分散、共分散行列] (#147-期待分散共分散共分散行列)
- [1.平均と期待] (#1-平均と期待)
- [2.分散、標準偏差] (#2-分散標準偏差)
- 3.共分散、共分散行列
-
2.1 関数極値の必要条件 ・【2.2 勾配降下法(gradient descent)】(#22-勾配降下法gradient-descent)
-
- 2.3.1 運動量運動量法
- [2.3.2 アダグラード法] (#232-アダグラード法)
- 2.3.3 アダデルタ法 ・【2.3.4 RMSprop法】（#234-rmsprop法）
- 2.3.5 アダム法
[2.4 勾配検証] (#24--勾配検証)
- [2.4.1 数値勾配と解析勾配の比較] (#241 - 数値勾配と解析勾配の比較)
[2.4.2 一般的な数値勾配] (#242--一般的な数値勾配)
- 2.5 分離勾配降下アルゴリズムとパラメータ最適化戦略
- [2.5.1 パラメータ最適化] (#251-パラメータ最適化)
- [2.5.2 パラメータオプティマイザを受け入れる勾配降下法] (#252-パラメータオプティマイザを受け入れる勾配降下法)
Chapter 3 Linear Regression, Logistic Regression and Softmax Regression
[3.1 線形回帰] (#31--線形回帰)
- [3.1.1 食堂車の採算問題] (#311-食堂車の採算問題)
-
- [1.機械学習] (#1-機械学習)
- [2. 機械学習と人工知能の関係] (#2-機械学習と人工知能の関係)
- 3. 機械学習の分類
[3.1.6 デバッグ学習率] (#316-デバッグ学習率)
[3.1.7 勾配検証] (#317-gradient-validation)
[3.1.8 予測] (#318-予測)
-
- 1. 多機能線形回帰
- [2. はめ込み面] (#2-はめ込み面)
- 3. 温度と圧力の問題
[3.1.10 データの正規化] (#3110-データの正規化)
[3.2 モデルの評価] (#32-モデルの評価)
- 3.2.1 Underfitting と Overfitting
- [3.2.2 検証セット、テスト セット] (#322-検証セット テスト セット)
- [3.2.3 学習曲線] (#323--学習曲線)
- 3.2.4 予測ダム水量
-
3.3 正則化 - [定期期間を増加させる損失関数は次のようになります] (#定期期間を増加させる損失関数は次のようになります)
[3.5 ロジスティック回帰] (#35-ロジスティック回帰)
[3.5.1 ロジスティック回帰] (#351-ロジスティック回帰)
[3.5.2 ロジスティック回帰のnumpy実装] (#352-ロジスティック回帰のnumpy実装)
- 1. データの生成
- 2. 勾配降下法のコード実装
- [3.損失関数値の計算] (#3-損失関数値の計算)
- 4.決定曲線
- [5. 予測の精度] (#5-予測の精度)
- 6. Scikit-Learn ライブラリのロジスティック回帰
[3.5.3 実際の戦闘: アイリス分類の派手な実装] (#353--実際のアイリス分類の派手な実装)
[3.6 ソフトマックス回帰] (#36-ソフトマックス回帰)
[3.6.2 ソフトマックス関数] (#362-ソフトマックス関数)
[3.6.3 ソフトマックス回帰] (#363-ソフトマックス回帰)
[3.6.4 Multi-classification cross-entropy loss] (#364-Multi-classification cross-entropy loss)
[3.6.5 加重和によるクロスエントロピー損失の計算] (#365 - 加重和によるクロスエントロピー損失の計算)
-
- [1.加重和に対する交差エントロピー損失の勾配] (#1-加重和に対する交差エントロピー損失の勾配)
- 2. 重みパラメータに対する交差エントロピー損失の勾配
[3.6.7 Softmax 回帰のための勾配降下法の実装] (#367-Softmax 回帰のための勾配降下法の実装)
-
[3.7 バッチ勾配降下法と確率的勾配降下法] (#37-バッチ勾配降下法と確率的勾配降下法)
[3.7.1 MNIST 手書き数字セット] (#371--mnist-手書き数字セット)
[3.7.2 部分的なトレーニング サンプルでロジスティック回帰をトレーニングする] (#372 - 部分的なトレーニング サンプルでロジスティック回帰をトレーニングする)
-
- [Fasion MNIST トレーニング セットのソフトマックス回帰] (#fasion-mnist トレーニング セットのソフトマックス回帰)
[3.7.4 確率的勾配降下法] (#374-確率的勾配降下法)
[第 4 章 ニューラル ネットワーク] (#第 4 章 - ニューラル ネットワーク)
-
[4.1.1 パーセプトロンとニューロン] (#411- パーセプトロンとニューロン)
- [1. パーセプトロン] (#1--パーセプトロン)
- 2.ニューロン
[4.1.2 活性化関数] (#412-活性化関数)
- 1. ステップ関数 sign(x)
- 2.tanh関数
- [4. ReLU 関数] (#4-relu 関数)
[4.1.4 複数サンプルの順方向計算] (#414-複数サンプルの順方向計算)
[4.1.5 出力] (#415-出力)
[4.1.6 損失関数] (#416-損失関数)
- [1. 平均二乗誤差損失] (#1-平均二乗誤差損失)
- 2. 二分分類クロスエントロピーロス
- [3. 多分類クロスエントロピーロス] (#3-多分類クロスエントロピーロス)
[4.1.7 数値勾配ベースのニューラル ネットワークのトレーニング] (#417-数値勾配ベースのニューラル ネットワークのトレーニング)
[4.1.8 深層学習] (#418--深層学習)
4.2 逆導出 ・【4.2.1 順計算と逆導出】（#421 順計算と逆導出）
[4.2.2 計算グラフ] (#422-計算グラフ)
[4.2.3 出力に対する損失関数の勾配] (#423-出力に対する損失関数の勾配)
- 1. 出力に対するバイナリ クロス エントロピー損失関数の勾配
- [2. 出力に対する平均二乗誤差損失関数の勾配] (#2-出力に対する平均二乗誤差損失関数の勾配)
- [3.出力に対する多分類の交差エントロピー損失関数の勾配] (#3-出力に対する多分類の交差エントロピー損失関数の勾配)
[4.2.4 2 層ニューラル ネットワークのバックプロパゲーションの導出] (#424--2 層ニューラル ネットワークのバックプロパゲーションの導出)
[4.2.5 2 層ニューラル ネットワークの Python 実装] (#425--2 層ニューラル ネットワークの Python 実装)
[4.2.6 ニューラル ネットワークの任意の層のバックプロパゲーションの導出] (#426-ニューラル ネットワークの任意のレイヤのバックプロパゲーションの導出)
4.3 シンプルなディープ ラーニング フレームワークの実装
[4.3.3 ネットワーク層の勾配テスト] (#433-ネットワーク層の勾配テスト)
[4.3.4 ニューラル ネットワーク クラス] (#434-ニューラル ネットワーク クラス)
[4.3.5 ニューラル ネットワークの勾配テスト] (#435-ニューラル ネットワークの勾配テスト) ・【4.3.6 深層学習フレームワークに基づくMNISTデータ手書き数字認識】(#436-深層学習フレームワークに基づくMNISTデータ手書き数字認識)
[4.3.7 一般的なニューラル ネットワーク フレームワークの改良: 加重和と活性化関数の分離] (#437 - 一般的なニューラル ネットワーク フレームワークの改良された加重和と活性化関数の分離)
- [勾配検証] (#勾配検証)
[4.3.8 独立パラメータ オプティマイザ] (#438-独立パラメータ オプティマイザ) ・【4.3.9 fashion-mnist分類研修】（#439-fashion-mnist分類研修） ・【4.3.9 モデルパラメータの読み書き】(#43-9-モデルパラメータの読み書き)
-
第 5 章 ニューラル ネットワークのパフォーマンスを改善するための基本的なヒント
[5.1 データ処理] (#51-データ処理)
[5.1.1 データ拡張] (#511-データ拡張)
[5.1.2 正規化] (#512-正規化)
[5.1.3 機能エンジニアリング] (#513-機能エンジニアリング)
-
- [5.2.1 ウエイトの初期化] (#521-ウエイトの初期化)
- [5.2.2 最適化パラメータ] (#522-最適化パラメータ)
[5.3 バッチ正規化] (#53--バッチ正規化)
- 5.3.1 バッチ正規化とは?
- [5.3.2 バッチ正規化逆導出] (#532-バッチ正規化逆導出)
- 5.3.3 バッチ正規化のコード実装
-
- [5.4.1 重みの正則化] (#541-重みの正則化)
- [5.4.2 ドロップアウト] (#542-ドロップアウト)
- [5.4.3 早期停止] (#543-早期停止)
-
[6.1畳み込み] (#61-畳み込み)
[6.1.3 2D 畳み込み] (#613-2D 畳み込み)
[6.1.5 プーリング] (#615-プーリング)
[6.2 畳み込みニューラル ネットワーク] (#62-畳み込みニューラル ネットワーク)
[6.2.2 畳み込み層と畳み込みニューラル ネットワーク] (#622-畳み込み層と畳み込みニューラル ネットワーク)
[6.2.4 畳み込みニューラル ネットワークの実装] (#624-畳み込みニューラル ネットワークの実装)
[6.3 畳み込みの行列乗算] (#63-畳み込みの行列乗算)
- [6.3.1 1D サンプル畳み込みの行列乗算] (#631--1D サンプル畳み込みの行列乗算)
- [6.3.2 2D サンプル畳み込みの行列乗算] (#632--2D サンプル畳み込みの行列乗算)
- 6.3.3 1D畳み込みの逆導出の行列乗算
- 6.3.4 2D畳み込みの逆導出の行列乗算
-
- [勾配テスト] (#勾配テスト)
- 非加速コンボリューションとの時間比較
-
- [6.5.1 LeNet-5] (#651-lenet-5)
- [6.5.2 AlexNet] (#652-alexnet)
- 6.5.3 VGG
- 6.5.4 ディープ ニューラル ネットワークの勾配爆発と消失問題
- 6.5.5 Residual Networks (ResNets)
- [6.5.6 Google インセプション ネットワーク] (#656-google-inception-network)
- 6.5.7 Network in Network (NiN)
Chapter 7 Recurrent Neural Network RNN
-
-
- 1. 確率的シーケンス モデル
- [2. 言語モデル] (#2-言語モデル)
[7.1.3 自己回帰モデル] (#713-自己回帰モデル)
[7.1.4 自己回帰データの生成] (#714--自己回帰データの生成)
[7.1.5 タイムウィンドウ法] (#715--タイムウィンドウ法)
[7.1.8 長期予測と短期予測] (#718---長期予測と短期予測)
[7.1.10 k-gram 言語モデル] (#7110--k-gram-language-model)
[7.2 リカレント ニューラル ネットワーク] (#72-リカレント ニューラル ネットワーク)
- [7.2.1 記憶機能を持たない非巡回ニューラル ネットワーク] (#721-記憶機能を持たない非巡回ニューラル ネットワーク)
- [7.2.2 メモリを備えたリカレント ニューラル ネットワーク] (#722--メモリを備えたリカレント ニューラル ネットワーク)
[7.4 単層リカレント ニューラル ネットワークの実装] (#74-単層リカレント ニューラル ネットワークの実装)
- [7.4.1 モデル パラメータの初期化] (#741-モデル パラメータの初期化) ・【7.4.2 フォワード計算】（#742-フォワード計算）
- [7.4.3 損失関数] (#743-loss-functions)
- [7.4.4 逆導出] (#744-逆導出)
- [7.4.5 勾配検証] (#745--gradient-validation)
- [7.4.6 勾配降下トレーニング] (#746-勾配降下トレーニング)
-
-
-
- 配列データトレーニング
- 予測
- [在庫データの学習と予測] (#在庫データの学習と予測)
[7.5 RNN 言語モデルとテキスト生成] (#75-rnn 言語モデルとテキスト生成)
[7.5.1 キャラクターテーブル] (#751-キャラクターテーブル)
[7.5.3 RNN モデルのトレーニングと予測] (#753-rnn モデルのトレーニングと予測)
7.8 Gated Recurrent Unit (GRU)
- [7.8.1 GRU の仕組み] (#781-GRU の仕組み)
- [7.8.2 GRU コードの実装] (#782-gru コードの実装)
7.9 クラス表現とリカレント ニューラル ネットワークの実装
- [7.9.1 クラスを使用した再帰型ニューラル ネットワークの実装] (#791--クラスを使用した再帰型ニューラル ネットワーク)
- [7.9.2 RNN ユニットのクラス実装] (#792 - RNN ユニットのクラス実装)
- [7.10 多層双方向リカレント ニューラル ネットワーク] (#710-多層双方向リカレント ニューラル ネットワーク)
-
[7.10.1 多層再帰型ニューラル ネットワーク] (#7101-多層再帰型ニューラル ネットワーク)
[7.10.2 多層再帰型ニューラル ネットワークのトレーニングと予測] (#7102-多層再帰型ニューラル ネットワークのトレーニングと予測)
[7.10.3 双方向 RNN] (#7103-双方向 RNN)
[7.11 Sequence-to-sequence (seq2seq) モデル] (#711-Sequence-to-sequence seq2seq モデル)
[機械翻訳] (#機械翻訳)
[7.11.1 Seq2Seq モデルの実装] (#7111-seq2seq モデルの実装)
[7.11.2 文字レベル機械翻訳用 Seq2Seq] (文字レベル機械翻訳用 #7112-seq2seq)
[7.11.3 Word2VecベースのSeq2Seq機械翻訳] (#7113 - word2vecベースのseq2seq機械翻訳)
7.11.4 単語埋め込み層に基づく Seq2Seq モデル
- [1.単語埋め込み層] (#1単語埋め込み層)
- 2. 単語埋め込み層を使用した Seq2Seq モデル
[7.11.5 注意メカニズム] (#7115---注意メカニズム)
[第 8 章 モデルの生成] (#第 8 章 モデルの生成)
[8.1 モデルの生成] (#81-モデルの生成)
[8.2 オートエンコーダー] (#82-オートエンコーダー)
- [8.2.1 オートエンコーダー] (#821-オートエンコーダー)
- [8.2.2 スパースエンコーダー] (#822-sparse-encoder)
- [8.2.3 オートエンコーダーの実装] (#823-オートエンコーダーの実装)
[8.3 変分オートエンコーダ] (#83-変分オートエンコーダ)
[8.3.2 損失関数] (#832-損失関数)
[8.3.3 パラメータのリサンプリング] (#833-パラメータのリサンプリング)
[8.3.4 後方導出] (#834-後方導出)
[8.3.5 変分オートエンコーダの実装] (#835--変分オートエンコーダの実装)
[8.4 敵対的生成ネットワーク] (#84-敵対的生成ネットワーク)
[8.4.1 GAN原則] (#841-gan原則)
- [1. Discriminator and Generator] (#1- Discriminator and Generator)
- 2.損失関数
- [3. トレーニング プロセス] (#3-トレーニング プロセス)
[8.4.2 GAN トレーニング プロセスのコード実装] (#842--ガン-コード トレーニング プロセスの実装)
[8.5 GAN モデリング例] (#85--gan モデリング例)
-
- [1.実数データ: 実数の集合] (#1-実数実数の集合)
- [2. ディスクリミネーターとジェネレーター関数の定義] (#2-ディスクリミネーターとジェネレーター関数の定義)
- 3. Real Data Iterator, Noise Data Iterator ・4.中間結果描画機能
- 5.トレインガン
[8.5.2 二次元座標点の GAN モデリング] (#852-二次元座標点のガンモデリング)
- [1. 実データ: 楕円曲線上でサンプリングされた座標点] (#1-実データ楕円曲線上でサンプリングされた座標点)
- [2. Real Data Iterator, Noise Iterator] (#2 - Real Data Iterator Noise Iterator)
- 3. GAN モデルのジェネレータとディスクリミネータを定義する
- 4.GANモデルのトレーニング
-
- 1.トレーニング データの読み取り
- [2. データ反復子の定義] (#2-データ反復子の定義)
- 3. ジェネレーターとディスクリミネーターとそのオプティマイザーを定義する
-
-
[8.5.4 GAN トレーニングのヒント] (#854-gan トレーニングのヒント)
[8.6 GAN 損失関数とその確率の説明] (#86-gan 損失関数とその確率の説明)
- 8.6.1 GANの損失関数の大域最適解
- [8.6.2 カルバック・ライブラー発散とジェンセン・シャノン発散] (#862-カルバックライブラー発散とジェンセンシャノン発散)
- [8.6.3 GAN の最尤解釈] (#863-GAN の最尤解釈)
[8.7 改善された損失関数: Wasserstein GAN (WGAN)] (#87--改善された損失関数 wasserstein-ganwgan)
- [8.7.1 Wasserstein GAN の原理] (#871-Wasserstein ガンの原理)
- [8.7.2 WGAN のコード実装] (#872-wgan コード実装)
8.8 Deep Convolutional Adversarial Network DCGAN
- [8.8.1 1D ベクトルの転置畳み込み] (#881-1D ベクトルの転置畳み込み)
- [8.8.2 2D 転置畳み込み] (#882--2D 転置畳み込み)
- 8.8.3 畳み込みアンチネットワーク DCGAN の実装
- 参照