参考文献リスト
はじめに
この記事はE資格対策を含め、ＡＩ（人工知能）に関する学習で活用した参考文献を記録したものです。勉強した本、勉強しようとしている本を逐次追記していきます。
（当面はAmazonのリンク先を引用します…）
参考文献リスト
深層学習 (日本語) 単行本 – 2018/3/7
AI研究の一分野として注目を集める深層学習(ディープラーニング)に関する教科書として世界的な評価を受けている解説書。深層学習の理解に必要な数学、ニューラルネットワークの基礎から、CNN(畳み込みニューラルネットワーク)やRNN(回帰結合型ニューラルネットワーク)などのすでに確立した手法、さらに深層学習の研究まで、深層学習の基礎を理論を含めてしっかり学習したい人に最適な内容になっている。近年の深層学習研究をリードする著名な研究者たちが執筆した入門者必読の書である。
ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装
ディープラーニングの本格的な入門書。外部のライブラリに頼らずに、Python 3によってゼロからディープラーニングを作ることで、ディープラーニングの原理を楽しく学びます。
ディープラーニングやニューラルネットワークの基礎だけでなく、誤差逆伝播法や畳み込みニューラルネットワークなども実装レベルで理解できます。
ハイパーパラメータの決め方や重みの初期値といった実践的なテクニック、Batch NormalizationやDropout、Adamといった最近のトレンド、自動運転や画像生成、強化学習などの応用例、さらには、なぜディープラーニングは優れているのか?なぜ層を深くすると認識精度がよくなるのか?といった“Why"に関する問題も取り上げます。
徹底攻略ディープラーニングE資格エンジニア問題集
AIエンジニアは必携の資格【ディープラーニングE資格(エンジニア)】にいち早く対応!
◆ JDLA認定プログラムの第1号事業者であるスキルアップAIの講師陣が執筆!
◆ 業界の第一人者 杉山 将氏(理化学研究所 革新知能統合研究センター センター長/東京大学 教授)監修!
◆ ていねいで分かりやすく解説。正答も誤答も技術解説しているので知識吸収も加速!
◆ 出題傾向を徹底分析した模擬問題を収録で合格力がさらにアップ!
●目次●
第01章 線形代数
第02章 確率・統計
第03章 情報理論
第04章 機械学習の基礎
第05章 前処理・特徴選択・性能指標
第06章 モデルの評価・正則化・ハイパーパラメータ探索
第07章 教師あり学習の各種アルゴリズム
第08章 教師なし学習の各種アルゴリズム
第09章 強化学習の各種アルゴリズム
第10章 深層学習の概要
第11章 順伝播計算と逆伝播計算
第12章 最適化手法
第13章 畳み込みニューラルネットワーク
第14章 再帰型ニューラルネットワーク
第15章 深層学習を用いた自然言語処理
第16章 深層学習を用いた生成モデル
第17章 深層学習を用いた強化学習
第18章 開発・運用環境
第19章 総仕上げ問題
付録 覚えておくべきPython/NumPyの知識
[第3版]Python機械学習プログラミング 達人データサイエンティストによる理論と実践
世界各国で翻訳された
機械学習本ベストセラーの第3版!
分類/回帰問題から、深層学習/強化学習まで、
機械学習コンセプト全般をカバー。
理論的背景とPythonコーディングの実際を解説しています。
第3版で敵対的生成ネットワーク、強化学習の各章を新たに追加し、
scikit-learnやTensorFlowなどなど新規のPython環境に対応。
13~16章の内容をほとんど刷新しています。
著者陣の経験に基づく洞察とより専門的な知識を学ぶことができて
理論と実践を架橋する解説書の決定版!
[原著の第1版]
●ドイツ語、韓国語、中国語、日本語、ロシア語、ポーランド語、イタリア語に翻訳。
●米国計算機学会「21st Annual list of Notable Books and Articles(2016)」にランクイン。
[日本語の第1版]
●「ITエンジニア本大賞2017」ベスト10にランクイン。
【構成(予定)】
第1章 「データから学習する能力」をコンピュータに与える
第2章 分類問題―単純な機械学習アルゴリズムの訓練
第3章 分類問題―機械学習ライブラリscikit-learnの活用
第4章 データ前処理―よりよい訓練データセットの構築
第5章 次元削減でデータを圧縮する
第6章 モデルの評価とハイパーパラメータのチューニングのベストプラクティス
第7章 アンサンブル学習―異なるモデルの組み合わせ
第8章 機械学習の適用1―感情分析
第9章 機械学習の適用2―Webアプリケーション
第10章 回帰分析―連続値をとる目的変数の予測
第11章 クラスタ分析―ラベルなしデータの分析
第12章 多層人工ニューラルネットワークを一から実装する
第13章 ニューラルネットワークの訓練をTensorFlowで並列化する
第14章 TensorFlowのメカニズム
第15章 画像の分類―ディープ畳み込みニューラルネットワーク
第16章 系列データのモデル化―リカレントニューラルネットワーク
第17章 新しいデータの合成―敵対的生成ネットワーク
第18章 複雑な環境での意思決定―強化学習
◎本書は『Python Machine Learning: Machine Learning and Deep Learning with Python<, br> scikit-learn, and TensorFlow 2,3rd Edition』の翻訳書です。
◎微積分/線形代数、Pythonの文法、データ分析用ライブラリについて
ある程度理解している必要があります。
