教科書で深層学習の一例を読んでみた。ニューラルネットワーク構造の定義はそれなりに理解はできるが、その学習過程は数学関数の嵐でよく理解できない。後回しで事例を進めることも考えたが、そのあたりを事前にトレーニングすることにした。
いいチュートリアルが無いかと教科書を見ていたが、日本発の深層学習フレームワークを提供しているChainerのTutorialが見つかった。
これもまた素晴らしい教材で、Python入門ではcolaboratoryを使って、演習もできる優れもの。早速、昨日は再度Python入門講座を受けた。今日からは下記の目次に沿って講義を受けて、一通り受講が終わったら、再度教科書の事例に戻り、理解を深めることにする。
準備編
1. はじめに
2. Python 入門
3. 機械学習に使われる数学
4. 微分の基礎
5. 線形代数の基礎
6. 確率・統計の基礎
6.1. 確率・統計と機械学習の関係
6.2. 確率変数と確率分布
6.3. 同時分布・周辺確率
6.4. 条件付き確率
6.5. ベイズの定理
6.6. 尤度と最尤推定
6.7. 事後確率最大化推定（MAP推定）
6.8. 統計量
Step 1 の演習問題
機械学習とデータ分析入門
7. 単回帰分析と重回帰分析
8. NumPy 入門
9. scikit-learn 入門
10. CuPy 入門
11. Pandas 入門
12. Matplotlib 入門
ディープラーニング入門
13. ニューラルネットワークの基礎
14. Chainer の基礎
15. Chainer の応用
16. トレーナとエクステンション