ゼロから学ぶPythonによるディープラーニング！

人工知能は現在、飛躍的に成長しています。たとえば、自動運転車は時速数百万マイルで走行し、IBM Watson は患者の状態を診断する能力が医師よりも優れており、AlphaGo は世界チャンピオンに勝利しました。その中で、人工知能が重要な役割を果たします。

人工知能のさらなる発展に伴い、人々もより高い要求を掲げるようになりました。彼らがより複雑な問題を解決できることを願っています。問題解決の核となるのはディープラーニングです。

TensorFlow は、データフロー グラフを使用した数値計算用のオープン ソース ソフトウェア ライブラリです。グラフ内のノードは数学的な演算を表し、グラフのエッジはそれらの間の多次元データ配列の受け渡しを表します。柔軟なアーキテクチャにより、単一の API を使用して、デスクトップ、サーバー、またはモバイル デバイス内の 1 つ以上の CPU または GPU に計算を展開できます。 TensorFlow はもともと、Google の機械知能研究組織である Google Brain の研究者やエンジニアによって、機械学習やディープ ニューラル ネットワークの研究のために開発されましたが、このシステムは他の分野にも応用できるほど汎用性があります。

Airbnb、Ebay、Dropbox、Snapchat、Twitter、Uber、SAP、Qualcomm、IBM、Intel、そしてもちろんGoogleを含む世界中の大手企業で使用されています。

[[228763]]

1.ディープラーニングの前提条件: Pythonでの線形回帰

データ サイエンス: 線形回帰をゼロから学び、Python を使用してデータ分析用の独自の実用的なプログラムを構築します。

このコースでは、機械学習、データサイエンス、統計で使用される一般的な手法である線形回帰を学習します。基本的には、解決策の導出と現実世界の問題への適用を行います。 Python で独自の線形回帰モジュールを作成する方法を説明します。

線形回帰は、学習できる最も単純な機械学習モデルです。最初の部分では、1 次元線形回帰を使用してムーアの法則が正しいことを証明する方法を説明します。次のセクションでは、1 次元線形回帰を任意の線形回帰に拡張します。つまり、複数の入力から学習できる機械学習モデルを作成します。

最後に、一般化、過剰適合、トレーニングとテストの分割など、データ分析を実行するときに注意する必要がある実用的な機械学習の問題について説明します。

2.ディープラーニングの前提条件: Pythonでのロジスティック回帰

このコースは、ディープラーニングとニューラル ネットワークの入門コースです。機械学習、データ サイエンス、統計でよく使用される基本的な手法であるロジスティック回帰について説明します。

このコースでは、ディープラーニングがどのように使用されるかを実際に理解できるように、多くの実用的な例が提供されます。コース全体を通して、取り組むコース プロジェクトを通じて、ユーザーがモバイル デバイスを使用しているかどうか、閲覧した製品の数、サイトに滞在した時間、リピーターかどうか、いつ訪問したかなど、ユーザー データに基づいてユーザーの行動を予測する方法を学びます。

コースの最後にある別のプロジェクトでは、ディープラーニングを使用して表情を認識する方法を説明します。写真だけに基づいて誰かの気分を予測できたらどんなに素晴らしいか想像してみてください。

[[228764]]

3. Pythonによるディープラーニングの完全ガイド

このコースでは、Google の Tensor Flow フレームワークを使用してディープラーニング用の人工ニューラル ネットワークを作成する方法を学習します。 Google Tensor Flow フレームワークの複雑さを簡単に理解できるようにすることを目的としています。ディープラーニングの最新技術を紹介しながら、Tensor Flow フレームワークを最大限に活用するための完全なガイドです。目的は理論と実践のバランスを取ることです。また、新しいスキルをテストするのに役立つ練習問題も豊富に用意されています。

このコースでは、ニューラル ネットワークの基礎、テンソル フローの基礎、人工ニューラル ネットワーク、密接続ネットワーク、畳み込みニューラル ネットワーク、再帰型ニューラル ネットワーク、オートエンコーダー、強化学習、OpenAI Gym などを取り上げます。

4. PythonとKerasを使用してゼロからディープラーニングを実現する

このコースは、ディープラーニングの完全な入門を提供することを目的としています。 Python に精通しており、ディープラーニング技術を理解してさまざまな問題に適用したいと考えている初心者および中級プログラマーとデータ サイエンティストを対象としています。

まず、ディープラーニングアプリケーションのレビューと、機械学習のツールとテクニックの概要について説明します。次に、人工ニューラル ネットワークを紹介し、回帰問題と分類問題を解決するためにそれらをトレーニングする方法を説明します。コースの残りの部分では、完全接続、畳み込み、再帰型ニューラル ネットワークなどのいくつかのアーキテクチャが紹介され、各アーキテクチャの理論と多数のサンプル アプリケーションが説明されます。

5.ディープラーニング: Pythonでの畳み込みニューラル ネットワーク

このコースでは、畳み込みニューラル ネットワークを使用したコンピューター ビジョンのディープラーニングについて説明します。これは画像分類の現在の最先端技術であり、MNIST などのタスクでは通常のディープ ネットワークよりも優れています。さまざまな角度からのより大きなカラー画像を使用する StreetView House Number (SVHN) データセットでは、計算タスクと分類タスクの両方がより要求が厳しくなります。しかし、同社は畳み込みニューラルネットワーク（CNN）を通じてこの課題に対処します。

さらに、エコー効果などのオーディオに適用できる畳み込みフィルターの構築方法や、ガウスぼかしやエッジ検出などの画像効果用のフィルターの構築方法についても説明します。また、生物学と関連付けて、畳み込みニューラル ネットワークが動物の視覚皮質からどのようにヒントを得たのかについて議論する必要があります。

6.ディープラーニング: Pythonによるリカレント ニューラル ネットワーク

コースの最初の部分では、ニューラル ネットワークに時間の概念を追加します。エルマン単位とも呼ばれる単純な再帰単位を紹介します。

このコースの次の部分では、リカレント ニューラル ネットワークの最も人気のあるアプリケーションの 1 つである言語モデリングについて再度学習します。

ニューラル ネットワークのもう 1 つの一般的な言語アプリケーションは、単語ベクトルまたは単語埋め込みです。最も一般的な手法は Word2Vec と呼ばれ、再帰型ニューラル ネットワークを使用して単語ベクトルを作成する方法を説明します。

次のセクションでは、非常に高く評価されている LSTM と Long/Short Term Memory セル、およびより現代的で効率的な GRU (Gated Recurrent Unit) について説明します。 Wikipedia データから言語モデルを学習し、その結果を単語埋め込みとして視覚化するなど、現実世界の問題にこれを適用できます。

7.ディープラーニングA-Z™ : 手動人工ニューラルネットワーク

このコースでは、人工ニューラル ネットワークを深く理解し、それを実際に応用します。畳み込みニューラル ネットワークを理解して実践に適用します。再帰型ニューラル ネットワークを理解して実践に適用します。自己組織化マップを理解して実践に適用します。ボルツマン マシンを理解して実践に適用します。

[[228765]]

8. Pythonによる最新のディープラーニング

このコースでは、バッチ法と確率的勾配降下法について学習します。これらは、各反復でデータのごく一部だけをトレーニングして、トレーニング時間を大幅に短縮できる 2 つの一般的な手法です。また、局所最小値を通過するのに役立ち、学習が遅くなりすぎないようにするモメンタムについても学習します。また、トレーニングの高速化に役立つ AdaGrad、RMSprop、Adam などの適応学習率テクニックについても学習します。

9. Pythonによる自然言語処理のためのディープラーニング

このコースでは、高度な NLP について説明します。word2vec がどのように機能するかを説明します。理論から実装まで、それは単にあなたが慣れ親しんだスキルを応用したものであることがわかります。 nWord2vec は、単語をベクトル空間に魔法のようにマッピングし、類似性を見つけることができるので興味深いです。たとえば、王 - 男性 = 女王 - 女性、フランス - パリ = イギリス - ロンドン、12 月 - 11 月 - 7 月 - 6 月などです。単語ベクトルも検出する GLoVe アプローチでは、逆コンパイル システムで使用される一般的なアルゴリズムである行列分解と呼ばれる手法が使用されます。驚くべきことに、GLoVe によって生成された単語ベクトルは word2vec によって生成されたものと同等の品質であり、いくつかの典型的な NLP の問題がはるかに簡単に解決されることがわかります。品詞タグ付けやエンティティ命名認識などは、リカレントニューラルネットワークを使用して解決します。ほとんどすべての問題はニューラル ネットワークを使用して解決できますが、すべての問題を解決できるわけではありません。

最後に、感情分析における否定問題を解決するのに役立つリカレント ニューラル ネットワークについて学習します。リカレントニューラルネットワークは、文章のツリー構造を利用します。ついにたくさんの言葉から逃れられるようになりました。

10.人工知能: Pythonによる強化学習

人々が人工知能について話すとき、通常は教師あり機械学習と教師なし機械学習を意味するわけではありません。私たちが AI が行っていると考えることと比べると、チェスや囲碁をしたり、車を運転したり、超人的なレベルでビデオゲームをクリアしたりといったことを指しています。 （つまり、強化学習）強化学習はこれらのことから人気が出ました。同時に、強化学習はまったく新しい「世界」を切り開きます。

このコースで学習するように、強化学習モデルは、教師あり学習や教師なし学習とは多くの点で異なります。強化学習は、行動心理学と神経科学の分野において新たな驚くべき洞察をもたらしました。

11. Pythonによるデータサイエンス、ディープラーニング、機械学習

プログラミングやスクリプト作成の経験がある場合、このコースでは、業界で実際にデータ サイエンティストや機械学習の実践者が使用している手法を紹介し、需要の高いこのキャリア パスに進む準備を整えます。

各概念は平易な英語で紹介されているため、数学記号や用語による混乱を避けることができます。次に、デモンストレーションに Python コードを使用します。実験して構築することができ、将来の参照用にメモを保存することもできます。このコースでは、これらのアルゴリズムの学術的かつ詳細な数学的解説ではなく、実践的な理解と応用に重点を置きます。最後に、学んだことを応用するための最終プロジェクトが与えられます。