内容説明
深層（多段層）ニューラルネットワークの構築は人工知能を模索する研究者にとっては長年の課題であり夢でもあり、まさに研究対象でもあった。この分野の最先端の著者らが人工知能学会誌に掲載した連載解説を大幅に加筆再編したものである。今までの到達点、今後の課題が具体的な研究成果と共に書かれている。深層学習の理論・応用を、自らの研究に取り込むことを考えている読者には、まさに必携必読の書籍である。
目次
第I部 基礎編
1.階層型ニューラルネットワークによる深層学習（麻生英樹）
2.深層ボルツマンマシン（安田宗樹）
3.事前学習とその周辺（前田新一）
4.大規模深層学習の実現技術（岡野原大輔）
第II部 応用編
5.画像認識のための深層学習（岡谷貴之）
6.音声認識のための深層学習（久保陽太郎）
7.自然言語処理のための深層学習（ボレガラ ダヌシカ）
感想・レビュー
※以下の感想・レビューは、株式会社ブックウォーカーの提供する「読書メーター」によるものです。
galoisbaobab
9
「シンギュラリティなんじゃ！」みたいなこと言う人が多いようなので「今の所の実際の所」ってことで読んでみた。理論的に根拠が薄い所で何をやっているのかってことは”わかった”と思う。しかし、NNに関わる数式やアルゴリズムってスッキリと体に入ってこないなー夏休みにもう一度頭を整理しなきゃ。あ、オレ的にシンギュラリティはどうでもいいんです。歴史とかに興味ある人に後付けしてもらえれば良いし。ただ単純に規模が大きくなることで変わることがあるんだなーと純粋に漠然と感じているこの感覚はアナガチ間違ってなさそう、と思った。2016/08/05
Kenny
3
上司から渡された課題図書。一通り、目を通してもさっぱり理解することが出来なかった。セミナーやMATLAB,OpenCVのプログラム例を参考にして、人に説明することが出来るレベルまで、理解度を深めたい。もう少し、簡単な本から学習するようにしたい。 2016/11/12
やすほ
2
【☆★★★★】 ディープラーニングを体系的に学びたいと思い読了。内容が難解で、断片的なため非常にわかりづらかった。初学者には向かないと思う。特に確率的なモデルや自然言語処理の部分は数式の展開さえ追うことができなかった。ある程度、理論に慣れ親しんだ人用なのだろう。実装系の本との難易度のギャップに驚き。2021/09/15
inakoshi
2
章によって(要は担当著者によって)、解説の深さにバラつきがあるが、CNN(5章)やRNN(6章)の学習則あたりは式を導出しながら繰り返し読んだ。AdaGrad、Adamを含むハイパーパラメタ最適化、過学習制御のためのDropOutの理論的な解析(いずれも4章)は再読しておきたい。自己符号化器(1章)、深層ボルツマンマシン(2章)、事前学習(3章)も同様。7章は例外だが、重要なところを絞り込んで詳解している感じ。2017/01/03
Tsukasa Fukunaga
2
昨今話題のDeep Learningについての技術書。似た内容の本として、機械学習プロフェッショナル(MLP)シリーズに同名の本があるが、カバーしている範囲は結構異なる。MLP本の方が初学者向けで基礎から丁寧に解説してあるのに対し、こちらは少々玄人向けで多分ある程度の事前知識がないと厳しい。その代わり、応用事例や実装についての事が豊富に書かれている。深層学習を利用して何か研究をしたい場合には、こちらまで読むとよいと思われる。少しかじっておきたいだけならMLP本がお勧め。2016/02/01
