書籍
書籍検索
新刊 送料無料

設計技術シリーズ

Pythonディープラーニングシステム実装法-Kerasによる画像・一般データ分類システムの構築-

著者: 宮田 章裕氏(日本大学)
価格: 4,000円(本体)+税
判型: B5変型
ページ数: 400 ページ
ISBN: 978-4-904774-92-2
発売日: 2020/10/25

【著者紹介】

【目次】

第1部:画像分類システムの構築

  1. 1 Deep Learningによる画像分類の基礎
    1. 1.1 本章の概要
    2. 1.2 データセット
    3. 1.3 画像分類ニューラルネットワークの設計
    4. 1.4 画像分類ニューラルネットワークの実装
    5. 1.5 ハードコーディングからの脱却
    6. 1.6 ネットワーク構造の可視化
    7. 1.7 訓練状況の可視化
    8. 1.8 本章のまとめ
  2. 2 Deep Learningによる画像分類の応用
    1. 2.1 本章の概要
    2. 2.2 データセット
    3. 2.3 画像分類ニューラルネットワークの設計
    4. 2.4 画像分類ニューラルネットワークの実装
    5. 2.5 過学習を抑制する手段
    6. 2.6 データ拡張
    7. 2.7 ドロップアウト
    8. 2.8 バッチ正規化
    9. 2.9 早期終了
    10. 2.10 学習率の動的削減
    11. 2.11 訓練済みネットワークの利用
    12. 2.12 転移学習
    13. 2.13 ファインチューニング
    14. 2.14 本章のまとめ
  3. 3 Deep Learningによる画像分類の実践
    1. 3.1 本章の概要
    2. 3.2 データセット
    3. 3.3 バッチ処理アプリケーション
    4. 3.4 インタラクティブアプリケーション
    5. 3.5 本章のまとめ

第2部:一般データ分類システムの構築

  1. 4 Deep Learningによる一般データ分類システムの基礎
    1. 4.1 本章の概要
    2. 4.2 データセット
    3. 4.3 一般データ分類ニューラルネットワークの設計
    4. 4.4 一般データ分類ニューラルネットワークの実装
    5. 4.5 早期終了・学習率の動的削減
    6. 4.6 本章のまとめ
  2. 5 Deep Learningによる一般データ分類の応用
    1. 5.1 本章の概要
    2. 5.2 データセット
    3. 5.3 一般データ分類ニューラルネットワークの設計
    4. 5.4 一般データ分類ニューラルネットワークの実装
    5. 5.5 Denoising autoencoderによる事前学習
    6. 5.6 多入力ニューラルネットワーク
    7. 5.7 ハイパーパラメータの最適化
    8. 5.8 本章のまとめ
  3. 6 Deep Learningによる一般データ分類の実践
    1. 6.1 本章の概要
    2. 6.2 データセット
    3. 6.3 処理の概要
    4. 6.4 データのフォーマット変換
    5. 6.5 データのノイズ除去
    6. 6.6 データの正規化
    7. 6.7 データの可視化
    8. 6.8 エンコーダ・推定器の構築
    9. 6.9 推定の実行
    10. 6.10 本章のまとめ

【参考文献】

  • Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard and L. D. Jackel, "Backpropagation Applied to Handwritten Zip Code Recognition," Neural Computation, vol. 1, no. 4, pp. 541-551, 1989.
  • D. P. Kingma , J. Ba, "Adam: A Method for Stochastic Optimization," arXiv:1412.6980, 2014.
  • Y. Luo and B.-L. Lu, "EEG Data Augmentation for Emotion Recognition Using a Conditional Wasserstein GAN," Proceedings of the 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2018.
  • N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever and R. Salakhutdino, "Dropout: A Simple Way to Prevent Neural Networks from Overfitting," Journal of Machine Learning Research, vol. 15, no. 56, pp. 1929-1958, 2014.
  • S. Ioffe , C. Szegedy, "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift," arXiv:1502.03167, 2015.
  • K. Simonyan , A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition," arXiv:1409.1556, 2014.
  • C. A. Ronao and S. B. Cho, "Human Activity Recognition with Smartphone Sensors Using Deep Learning Neural Networks," Expert Systems With Applications, vol. 59, pp. 235-244, 2016.
  • J. Wang, Y. Chen, S. Hao, X. Peng and L. Hu, "Deep Learning for Sensor- based Activity Recognition: A Survey," Pattern Recognition Letters, vol. 119, pp. 3-11, 2019.
  • P. Vincent, H. Larochelle, Y. Bengio , P.-A. Manzagol, "Extracting and Composing Robust Features with Denoising Autoencoders," Proceedings of the 25th International Conference on Machine Learning, pp. 1096-1103, 2008.
  • J. Bergstra, D. Yamins and D. Cox, "Making a Science of Model Search: Hyperparameter Optimization in Hundreds of Dimensions for Vision Architectures," Proceedings of the 30th International Conference on International Conference on Machine Learning (ICML '13), vol. 28, pp. l-115-l-123, 2013.

【口コミ】

  • ※口コミはありません。
ページトップへ戻る