内容

目次

【第I部　人工知能の概要と構成技術】 第1章　人工知能とニューラルネットワーク 1.1　人工知能におけるニューラルネットワーク 1.2　人工知能の研究の歴史 1.3　人工知能の分類 1.4　強い人工知能と弱い人工知能 1.5　人工知能と機械学習法 1.6　基本的な機械学習モデル 1.7　学習法の分類 1.8　識別モデルと生成モデル 1.9　ニューラルネットワークの構造と学習の最適化 第2章　本書で用いる基本事項 2.1　人工知能で使われる用語 2.2　線形代数 2.3　偏微分と勾配 2.4　最急降下法 【第II部　さまざまなニューラルネットワーク】 第3章　多層パーセプトロン 3.1　多層パーセプトロン 3.2　誤差逆伝播法 3.3　勾配消失問題 第4章　人工知能高性能化のさまざまな方法 4.1　人工知能の性能の評価方法 4.2　正則化による過学習の抑制 4.3　パラメータ更新 4.4　転移学習法 第5章　畳み込みニューラルネットワーク 5.1　畳み込みニューラルネットワーク 5.2　畳み込み層 5.3　畳み込みニューラルネットワークの構造 第6章　再帰型ニューラルネットワーク 6.1　再帰型ニューラルネットワーク 6.2　単純再帰型ニューラルネットワーク 6.3　再帰型ニューラルネットワークのパラメータ更新 6.4　長短期記憶とゲート付き再帰型ユニット 6.5　エコーステートネットワーク 第7章　アテンション機構 7.1　アテンション機構の概要 7.2　アテンション機構の原理 7.3　トランスフォーマー 第8章　敵対的生成ネットワーク 8.1　敵対的生成ネットワーク 8.2　さまざまな敵対的生成ネットワーク 第9章　深層強化学習 9.1　強化学習法とその分類 9.2　Ｑ学習法 9.3　深層学習と強化学習 第10章　ネットワーク構造と学習の最適化 10.1　ハイパーパラメータ最適化 10.2　ベイズ最適化法 10.3　パルツェン推定量を用いた逐次最適化法 【第III部　機械学習とデータサイエンス】 第11章　機械学習におけるデータの重要性 11.1　データの活用方法 11.2　今後のデータサイエンスを取り巻く環境