はじめてのパターン認識 ディープラーニング編(ハジメテノパターンニンシキディープラーニングヘンィープラーニングヘン)

あの『はじめてのパターン認識』著者が徹底解説! ディープラーニングの理論的基礎がよくわかる!

機械学習の基礎的な理論について,幅広く解説した前著『はじパタ』.それとほぼ同時期に登場したディープラーニングは,いまや当然の技術として,様々な分野で活用されるようになりました.

いまこそ,ディープラーニングの要素技術とその応用展開について理解を深め,確かな実力を身につけていきましょう.

なぜディープラーニングはうまくいくのか? ブレイクスルーの要因はどこにあるのか? ディープラーニングを開花させたここ 10 年の様々な研究成果を網羅的に概観しつつ,ディープラーニングの中枢を担う原理を掘り下げて解説します.

また,VAE や GAN,Self-Attention と Transfomer など,ディープラーニングの発展から生まれた各種の応用について,その原理を読み解きます.

急速な進歩を続ける機械学習分野において,次の新たな進化に立ち向かうための「ディープな」ディープラーニング解説書となっています.
第 1 章 はじめに
第 2 章 復習・誤差逆伝搬法
第 3 章 自動微分
第 4 章 ディープラーニングの最適化技法
第 5 章 活性化関数
第 6 章 パラメータの初期化と正則化
第 7 章 ディープ化の技法
第 8 章 CNN
第 9 章 VAE
第 10 章 GAN
第 11 章 RNN
第 12 章 Self-Attention と Transformer
付録

『はじめてのパターン認識』はパターン認識と機械学習の定番教科書として大学の講義で広く採用されてきました。本書はその続編にあたり、深層学習に焦点を絞って CNN ・ RNN ・オートエンコーダ・ GAN などのアーキテクチャを、数式による定式化と合わせて解説します。著者の平井有三氏による簡潔な記述スタイルはそのままに、深層学習の理論的な骨格を教科書レベルで学べる一冊です。

前提知識としては、線形代数・微分・確率統計の基礎に加え、前著『はじめてのパターン認識』で扱われる識別関数や学習理論の素養があると読みやすくなります。フレームワークのチュートリアルのように「動かして覚える」構成ではなく、各ネットワーク構造の設計思想と損失関数・最適化手法の数理を理解することに重点を置いています。大学学部上級から大学院レベルの学習者が主な対象です。

実装コードや大規模モデルの運用知識は扱わないため、即座にプロダクションに活かす類の本ではありません。しかし、フレームワーク任せでは見えてこない「なぜこの活性化関数なのか」「なぜこの正則化が効くのか」を数式から追える力は、モデルの設計や不具合の診断で長期的に効いてきます。理論面から深層学習を固めたい人に向けた、堅実な学術書です。