目次

表紙
まえがき
はじめに

第1章　人工知能とディープラーニングの変遷
1.1　人工知能の変遷／1.1.1　人工知能の定義
1.1.2　過去の人工知能ブーム
1.1.3　機械学習の誕生と発展
1.1.4　機械学習でさえもできないこと
1.2　機械と人間を分けるもの
1.3　人工知能とディープラーニング
まとめ

第2章　機械学習アルゴリズムを学ぶ--ディープラーニングへの準備
2.1　実装に際して／2.2　機械学習における「学習」の必要性
2.3　教師あり学習と教師なし学習
2.3.1　サポートベクトルマシン（SVM）
2.3.2　隠れマルコフモデル（HMM）
2.3.3　ニューラルネットワーク
2.3.4　ロジスティック回帰
2.3.5　強化学習／2.4　機械学習の流れ
2.5　ニューラルネットワークの理論とアルゴリズム／2.5.1　パーセプトロン（単層ニューラルネットワーク）
2.5.2　ロジスティック回帰
2.5.3　多クラスロジスティック回帰
2.5.4　多層パーセプトロン（多層ニューラルネットワーク）
まとめ

第3章　ディープラーニング探究［1］--ディープビリーフネットと積層デノイジング・オートエンコーダ／3.1　ニューラルネットワークの陥落
3.2　ニューラルネットワークの逆襲／3.2.1　ディープラーニングの進化--ブレークスルーの決め手
3.2.2　事前学習ありディープラーニング
3.3　ディープラーニングのアルゴリズム［1］／3.3.1　制約付きボルツマンマシン
3.3.2　ディープビリーフネット
3.3.3　デノイジング・オートエンコーダ
3.3.4　積層デノイジング・オートエンコーダ
まとめ

第4章　ディープラーニング探究［2］--ドロップアウトと畳み込みニューラルネットワーク
4.1　事前学習なしディープラーニング
4.2　ドロップアウト
4.3　畳み込みニューラルネットワーク
4.3.1　畳み込み
4.3.2　プーリング
4.3.3　数式による理解と実装
まとめ

第5章　Java ライブラリ Deeplearning4j の活用
5.1　ライブラリを用いた実装とスクラッチによる実装の比較
5.2　DL4J と ND4J の概要
5.3　ND4J による実装
5.4　DL4J による実装／5.4.1　セットアップ
5.4.2　モデルの構築
5.5　学習率の最適化
まとめ

第6章　ディープラーニングの応用と実用化--リカレントニューラルネットワーク、長短期記憶など
6.1　ディープラーニングの研究が活発な分野／6.1.1　画像認識
6.1.2　自然言語処理
6.2　ディープラーニングの課題
6.3　ディープラーニングの可能性を最大化するアプローチ／6.3.1　分野による切り口
6.3.2　課題設定による切り口
6.3.3　表現による切り口
まとめ

第7章　ディープラーニング探究［3］--Theano/TensorFlow/Caffe の手法［Python編］／7.1　Theano
7.2　TensorFlow
7.3　Caffe
まとめ

第8章　今後の動向を展望する
8.1　ディープラーニングのさらなる進化
8.2　今後も成果を上げるアプローチとは
8.3　ディープラーニングの情報源

まとめ
索引
STAFF
奥付

著者プロフィール

• 巣籠悠輔（著者）

  巣籠悠輔[すごもりゆうすけ]
  Gunosy、READYFORの創業メンバーとして、エンジニアリング、デザインを担当。大学院修了後は電通にてデジタルクリエイティブの企画・制作、ディレクションに従事。Googleニューヨーク支社勤務を経て、2016年、医療ITスタートアップを共同創業。2016年9月より東京大学招聘講師。東京大学工学部システム創成学科卒(首席)、東京大学大学院工学系研究科 技術経営戦略学専攻卒。