AIの基礎⑧「ディープラーニング基礎のおさらい」


AI処理の基礎について言語とフレームワークについて学んできた。しかし、言語もフレームワークもどんどん進化しており、最新のものを理解しておかないとおいてきぼりになりそうだ。

 

AI処理の基本的な流れや考え方は、一通り進めてきた。最新版フレームワークのグーグル系とフェイスブック系であるTensorFlow2(Keras)とPytorchの特徴や違いを解説している本を見つけたので、当面はこの電子ブックを購入してAI処理アルゴリズムの要点を学んでみよう。(ディープラーニングの数学に関しても、図書館の最新版で読んでみた。だが、どうも数学手続きだけで終始しており、購入するほど欲しい本ではない)

 

下に記した太字の点のように、3つのフレームワークが比較できるようなので、ここを重点的に学ぼう。あくまでもアルゴリズムをどう表現できて、今後独自のAIシステムを考える際にどのフレームワークが有効になるのかを判断する予定。


1章 ディープラーニングとは

 

2章 開発環境のセットアップとPythonの基礎

 

3章 ディープラーニングの数学的要素

 

ここまでは読み飛ばし予定!

 

 

4章 ニューラルネットワークの可動部(勾配ベースの最適化)

 4.1 ロジスティック回帰を実装した単純パーセプトロンで二値分類を行う

 

 4.2 XORゲートを多層パーセプトロンで実現する

 

5章 ニューラルネットワーク(多層パーセプトロン)

 5.1 フィードフォワードニューラルネットワーク(FFNN)

 5.2 バックプロパゲーションを利用した重みの更新

 5.3 ニューラルネットワークの作成

 5.4 ファッションアイテムの画像認識

 5.5 TensorFlowスタイルによるニューラルネットワークの構築

 5.6 Kerasによるニューラルネットワークの構築

 5.7 PyTorchを使ってニューラルネットワークを構築する

 

6章 画像認識のためのディープラーニング

 6.1 ニューラルネットワークに「特徴検出器」を導入する(畳み込みニューラルネットワーク)

 6.2 TensorFlowスタイルによるCNNの構築

 6.3 PyTorchによるCNNの構築

 6.4 プーリングで歪みやズレによる影響を回避する

 6.5 Kerasスタイルでプーリングを実装したCNNを構築する

 6.6 PyTorchによるプーリングを実装したCNNの構築

 

7章 一般物体認識のためのディープラーニング

 7.1 カラー画像を10のカテゴリに分類したCIFAR-10データセット

 7.2 カラー画像に移動、回転などの処理を加えてデータの水増しを行い、

   認識精度を90%に引き上げる

 

 

8章 人間と機械のセマンティックギャップをなくす試み

 8.1 CNNで「特徴認識」に近い二値分類、「Dogs vs. Cats」データセットを学習する

 8.2 「転移学習」でイヌとネコを高精度で分類する

 8.3 アリとハチの画像をVGG16で学習する

 

9章 ジェネレーティブディープラーニング

 9.1 現在の学習に過去の情報を取り込む(リカレントニューラルネットワーク

 9.2 LSTMを配置したRNNで対話が正しいかどうかを識別する

 9.3 「雑談会話コーパス」の予測精度を上げる

 

10章 OpenCVによる「物体検出」

 10.1 OpenCV

 10.2 OpenCVによる物体検出

 10.3 検出した部分を切り取って保存する