ディープラーニングを支える技術〈2〉 --ニューラルネットワーク最大の謎

（概要）

初学者の方々に向け、ディープラーニングの発展技術をまとめた解説書。

ディープラーニングは現在のAI/人工知能の発展の中核を担っており、スマートフォンからIoT、クラウドに至るまで幅広い領域で、画像、音声、言語処理をはじめとした多くの対象分野に浸透し、目覚ましい進展をもたらしています。

ディープラーニングの今の基本をまとめた前作に続き、本作ではニューラルネットワークにおける大きな謎である「なぜ学習できるのか」「なぜ汎化するのか」にスポットを当て平易に解説。合わせて、将来的な革新の可能性を秘める二大トピックとして、「生成モデル」「深層強化学習」も詳しく取り上げます。そして、4つのテーマのもと、ディープラーニングや人工知能について課題を整理し、今後を考えていきます。

多様な問題を一つのアプローチ、アルゴリズムで解ける驚異的な技術。ディープラーニングが一段と進化していく将来につながる、長く役立つ原理、原則、考え方を紐解く1冊です。


（こんな方におすすめ）

・広くディープラーニング、人工知能を取り巻く技術に関心がある方々

・ディープラーニングの今と今後の発展について、知っておきたい方々

・ディープラーニングとその周辺分野の研究に興味がある方

・ディープラーングを学んでいて使っている方々

知的好奇心から、なぜディープラーニングが成功しているのかを知りたいという方々も大歓迎です。


（目次）

第0章 ディープラーニングとは何か　表現学習とタスク学習、本書解説の流れ


　　0.1 ［速習］ディープラーニング

　　0.2 ニューラルネットワークの「学習」における大きな謎

　　0.3 これから学ぶ生成モデル

　　0.4 これから学ぶ強化学習

　　0.5 ディープラーニングと人工知能の課題とこれから

第1章 ディープラーニングの最適化　なぜ学習できるのか

　　1.1 最適化による学習

　　1.2 ［概要］学習の効率化

　　1.3 モーメンタム法

　　1.4 学習率の自動調整

　　1.5 ハイパーパラメータの最適化

　　1.6 本章のまとめ

第2章 ディープラーニングの汎化　なぜ未知のデータをうまく予測できるのか

　　2.1 従来の汎化理論との矛盾

　　2.2 ニューラルネットワークと陰的正則化

　　2.3 明示的な正則化

　　2.4 本章のまとめ

第3章 深層生成モデル　生成を通じて複雑な世界を理解する

　　3.1 生成モデル＆深層生成モデルとは何か

　　3.2 VAE　ニューラルネットワークを使った潜在変数モデル

　　3.3 GAN　敵対的生成モデル

　　3.4 自己回帰モデル

　　3.5 正規化フロー

　　3.6 拡散モデル

　　3.7 本章のまとめ

第4章 深層強化学習　ディープラーニングと強化学習の融合

　　4.1 強化学習の基本

　　4.2 強化学習はどのような特徴を持つのか

　　4.3 最適な方策を直接求める　モンテカルロ推定

　　4.4 方策と価値

　　4.5 ベルマン方程式　隣り合う時刻間の価値の関係を表す

　　4.6 MC学習、オンライン版MC学習　オンラインでの方策の価値推定（１）

　　4.7 TD学習　オンラインでの方策の価値推定（２）

　　4.8 予測から制御へ　問題のどこが変わるのか

　　4.9 方策オン型学習　基本の考え方とSARSA

　　4.10 方策オフ型学習　人の振り見て我が振り直せ

　　4.11 関数近似　価値をパラメトリックモデルで近似する

　　4.12 方策勾配法　方策の勾配を使って最適方策を学習する

　　4.13 DQN　ディープラーニングと強化学習の融合

　　4.14 AlphaGo　コンピュータ囲碁での強化学習の適用例

　　4.15 モデルベース強化学習

　　4.16 本章のまとめ

第5章 これからのディープラーニングと人工知能　どのように発展していくか

　　5.1 学習手法の発展　自己教師あり学習

　　5.2 人工知能と計算性能の関係

　　5.3 問題固有の知識をどう組み込むか

　　5.4 ディープラーニングの今後の課題

　　5.5 本章のまとめ