このコースは、Python ディープラーニング PyTorch の作成者が直接指導しています。

Edit Image Info

近年の人工知能の基礎となっている人工知能 (AI) とディープラーニングの概念について学びます。

| データサイエンスとは

Edit Image Info

| 人工知能とは？

人工知能の概念と、最近ディープラーニングが普及した理由についてお話します。さらに、人工知能がどこで使われていて、どのように発展しているのかについても話します。人工知能 (GAN、強化学習) の最近の動向と主要な課題についてお話します。

| マルチレイヤーパーセプトロン (MLP)

最初の人工知能と呼ばれる パーセプトロンとパーセプトロンの限界、そしてそれらを克服したMLPについて学ぶ.MLP はニューラルネットワークの基本構造と考えることができます。 MLP の学習アルゴリズム段階的にお知らせします。フィードフォワードとバックプロパゲーションについて説明し、長所と短所について説明します。

Edit Image Info

| ディープラーニングの定義

ディープラーニングの定義と、一般的なニューラルネットワークとの違いについて集中的に学んでください。NNのデメリットである勾配消失/オーバーフィットの問題を軽減できるアクティベーション関数、ドロップアウト、バッチ正規化を扱っています。さらに、分類だけでなく新機能についても学ぶことができるオートエンコーダについても説明します。

Deep Learning에 대한 정의

| 畳み込みニューラルネットワーク (CNN)

ディープラーニングの歴史を見ると、最も進んだモデルはおそらくCNN モデルだと思います。画像分類から始まり、飛躍的な進歩を遂げた CNN モデルを取り上げています。学習アルゴリズムの特徴と、一般的なNNとの違いについて説明しています。さらに、CNN のパフォーマンスを向上させるためのさまざまなアーキテクチャ (Resnet、Densenet)、初期化、最適化手法、転移学習についても説明します。

Convolutional Neural Network (CNN)

| リカレントニューラルネットワーク

自然言語の特性を反映できるリカレントニューラルネットワーク (RNN) ディープラーニングモデルについて学びます。彼らはRNNモデルの給餌プロセスを数値的に学習し、高度な長期短期記憶（LSTM）モデルとゲーテッドリカレントユニット（GRU）モデルも給餌プロセスを正式に説明します。

Long Term Short Memory (LSTM)

| 自然言語処理タスク

自然言語処理には多くのタスクがあります。その中で、最も代表的なタスクとして選ばれているタグ付けやニューラル機械翻訳とはどのようなタスクなのかを学びます。各タスクの具体例に加えて、分析方法の代表的なディープラーニングモデル構造が提示され、データの重み付けプロセスについても説明します。

Neural Machine Translation

| 注意

RNNモデルの限界と、それを改善するための方法論の中で自然言語処理の分野で最近出現したメカニズムであるアテンション手法を紹介します。アテンションメカニズムを用いたニューラル機械翻訳とアテンションメカニズムを用いたタグ付けのそれぞれがどのように適用できるかを説明します。また、ここでは、現在自然言語処理分野の研究に力を入れているBert氏の簡単な紹介です。

Attention

| ジェネレーティブ・アドバーサリアル・ネットワーク

最近話題になっている人工知能のほとんどは、ディープラーニングモデルを使用しています。一般的な機械学習またはディープラーニングモデルは、分類と回帰で終わりました。

しかし、GANの登場は、人工知能の開発が一歩先を行っていたと言っても過言ではないほど大きなパラダイムをもたらしました。当時（4 ～ 5 年前）は、分類や予測を超えるデータを生成することは当時でも考えられませんでした（4 ～ 5 年前）。GANの登場により、強化学習（AlphaGoの基本原理）とともに、人工知能からは切り離せない分野になりました。

Edit Image Info

上の写真は、1年前の時点で最高のパフォーマンスを発揮しているGANが作成したフェイク画像で、実際にはこの世界には存在しません。現在、より高度なモデルが出ています。

| CycleGan（スタイルトランスファーの基本モデルとなったGAN）

[データ生成の先へ] 私たちは、GAN生成原理を用いて様々な分野への展開を始めました。その中でも代表的なモデルは、スタイルトランスファーモデルであるCycleGANです。写真のように絵を変えたり、絵のように絵を変えたり、昼と夜を変えたり、季節を変えたりします。

CycleGaN は、このようにイメージの 2 つのドメインを交換する GAN モデルです。このCycleGANは、スタイルトランスファーを活用したGANの基本的なベースラインモデルとなっています。

CycleGAN (Style transfer의 기본 모델이 된 GAN)

| CAN (芸術作品を生み出すGANモデル)

データを生成しても、結局は学習データ内で作成されるため、何も新しいことは生まれません。だから芸術とはほど遠い。なぜなら、学習データの中で作成しても、結局は「模倣」に過ぎないからです。

CANモデルは、GANの学習原理を少し変えることでアートを生み出します。彼らは人間を調査し、実際の芸術作品に近いスコアを獲得したと言われています。

CAN (예술품을 생성해내는 GAN모델)

| GANが応用・開発されているさまざまな分野

それ以外にも、GANはさまざまな分野で発展してきました。

画像ではなく機械学習用の構造化データを生成するラジアルGAN、学習データが少ない状況で多様で高品質な画像を生成する方法のモデルであるDeGan、複数のGANのモデルを組み合わせたMGAN、低画質を高解像度に変更するSRGANなど、さまざまなGANを簡単に紹介します。

| DS/AIを勉強するにはどうすればいいですか？

DS/AIを初めて学ぶ方へ一つアドバイスします。

-R 対パイソン

-人工知能を専攻していますか？

-リベラルアーツの学生になることは可能ですか？

-大学院は必須の選択肢ですか？

-AI関連の仕事と必要な能力

PyTorch を使って簡単に学べるディープラーニング入門クラス

PyTorch を使って簡単に学べるディープラーニング入門クラス