ゼロから作るDeep Learning ――Pythonで学ぶディープラーニングの理論と実装 勉強ノートへようこそ！

まんてらスタジオで行われた輪読会の、murnanaによるまとめです。

輪読会で使用する本

• ゼロから作るDeep Learning ――Pythonで学ぶディープラーニングの理論と実装 - 輪読会で使用した本

Contents:

• 1. はじめに
  • 1.1. なぜJupyterLab?
  • 1.2. なぜSphinx?
  • 1.3. Jupyterで作成し、Sphinxでビルドするとどんな感じ？
• 2. 1章 Python入門
  • 2.1. Python環境のセットアップ
  • 2.2. Pythonインタプリタ
  • 2.3. Pythonスクリプトファイル
  • 2.4. NumPy
  • 2.5. Matplotlib
  • 2.6. 「要素ごとの積 (element-wise product)」とは
• 3. 2章 パーセプトロン
  • 3.1. パーセプトロンとは
  • 3.2. 単純な論理回路
  • 3.3. パーセプトロンの実装
  • 3.4. パーセプトロンの限界
  • 3.5. 多層パーセプトロン
  • 3.6. 多層パーセプトロン3層までの学習には、ヘブ則を使うとよい
• 4. 3章 ニューラルネットワーク
  • 4.1. パーセプトロンからニューラルネットワークへ
  • 4.2. 活性化関数
  • 4.3. 多次元配列の計算
  • 4.4. 3層ニューラルネットワークの実装
  • 4.5. 出力層の設計
  • 4.6. 手書き数字認識
  • 4.7. 🤔\(\exp(-x)\) と \(\mathrm{e}^{-x}\) って
  • 4.8. 🤔行列とは
  • 4.9. シグモイド関数
  • 4.10. なめらかとは
  • 4.11. 写像とは
• 5. 4章 ニューラルネットワークの学習
  • 5.1. データから学習する
  • 5.2. 損失関数
  • 5.3. 数値微分
  • 5.4. 勾配
• 6. 5章 誤差伝搬法
  • 6.1. 連鎖律
  • 6.2. 逆伝播
  • 6.3. 単純なレイヤの実装
  • 6.4. 活性化関数レイヤの実装
  • 6.5. Affine / Softmax レイヤの実装
  • 6.6. 誤差伝播法の実装
  • 6.7. まとめ
• 7. ６章 学習に関するテクニック
  • 7.1. Batch Normalization
  • 7.2. 4. 正則化
  • 7.3. ハイパーパラメータの検証
• 8. 7章 畳み込みニューラルネットワーク
  • 8.1. CNN全体の構造
  • 8.2. 畳み込み層
  • 8.3. プーリング層
  • 8.4. Comvolution / Pooling レイヤの実装
  • 8.5. CNNの実装
  • 8.6. CNNの可視化

Indices and tables

• 索引

• モジュール索引

• 検索ページ