Last Updated: August 2019 -2017. Kajiyama         [ 仮想教室の総合案内に戻る ]
ロゴpython ロゴscikit-learn    ロゴKeras    ロゴKeras
コピペで学ぶ Pythonで機械学習プログラミング入門

福岡大学工学部図学教室   梶山 喜一郎
A Python (パイソン) 初心者体験--自宅にWindows 版のPython環境を作成する手続き
  1. はじめに -大学卒業後も持続的に使えるパイソン(Python)の世界
    a. プログラミング言語
    Pythonとは -Wikipedia b. Pythonの公式サイト c. Pythonの日本ユーザーサイトとダウンロードサイト

  2. 自宅でPython言語のダウンロードとインストール
    a. ディレクトリ「C:\Python36」を作成し,ここにPython言語をインストールする.
    b. windows 64bit web版をダウンロード 「python-3.6.X-amd64-webinstall.exe」
    c. Pythonの「作業ディレクトリ」の作成と設定  -ソースファイル[.py]を置く場所を準備する.
      1. ディレクトリC:\\Users\\ユーザー名\\Documents\\Python3を作成し,ここを「作業ディレクトリ」にする.
      2. Pythonを起動するたびに作業ディレクトリを指定する.

    d. Pythonのライブラリーを個別にダウンロードしインストール
      1. 「単独のPython」で学習する場合は,「 pip 」 で,必要なライブラリーを,ダウンロード・インストールする.
      2. 「単独のPython」で学習する場合は,次節に述べる「Anaconda」はインストールしない.
      3. まず,「管理者コマンドプロンプト」を起動してライブラリーのダウンロードとインストールを実行する.
      4. 基本は,NumPy(ナムパイまたはナンパイ) SciPy(サイパイ)  pandas  matplotlib  OpenCv -wikipedia
      5. 機械学習は, scikit-learn (sklearn)  Keras  TensorFlow -wikipedia

  3. あるいはAnaconda で,Pythonとそのライブラリーをまとめてインストール (機械学習まで進むものはこちらがおすすめ)
    Python 3.6でしか確認していない.Python 3.7にする前に情報を集めてください.
    a. Anacondaのダウンロードとインストールの手続きは「Anaconda インストール」で検索する.
    b. アナコンダは、 Pythonとデータサイエンスおよび機械学習のライブラリがインストール済みで,効率が良い学習ができる.
    c. 「Anaconda-Jupyter」で学習する場合は,「単独のPython」はインストールしない.していたら削除するように.
    d. 開発環境  Anaconda(ただし6G必要) にはさらに 豊満な Jupyter Notebook (IDE)がついてくる.
    e. 「Anaconda-Jupyter Notebook」でのライブラリーの管理は,「Anaconda Navigata」
      「Anaconda Navigata」を起動 -> Environmentsを選択 -> [Installed] でリストを表示し確認.
       削除はこのリストから指定 -> Applyで実行.
       新規にインストールする場合は [Not installed] でリストを表示し選択 -> Applyで実行.
       関連のパッケージのリストが示されるので
       まとめてインストールする

  4. Pythonの統合開発環境 IDE (Integrated DeveLopment Environment)を自宅に
    a. 清楚な Python付属の IDLEの
    使い方
    b. 豊満な Jupyter Notebookの使い方(機械学習に進む場合はこちらで学ぶ) -plavox

  5. Pythonのソースファイルの基礎

  6. 最初のプログラムとコ-ディングを「コピペ学習」
    a. Python 3の入門自習書 Python3のprint関数に注意/文字列の型は[unicode]だけ/長整数型[long]廃止
    1. 大東文化大学 Python 3 プログラミング / 明治大学 Python 3 プログラミング
    2. Python 3 入門 サンプル集   Python 3.6.1 ドキュメント
    3. Scipy Lecture Notes-科学技術計算のために Python を始めよう
    4. 中久喜健司,"科学技術計算のためのPython入門 --開発基礎、必須ライブラリ、高速化", 技術評論社,2016.ISBN 978-4-7741-8388-6
    5. John V.Guttag, 久保監訳,"Python言語によるプログラミングイントロダクション第2版", 近代科学社,2017.ISBN 978-4-7649-0518-4
    6. 池内孝啓,片柳薫子,岩尾 エマ はるか,"PythonユーザのためのJupyter[実践]入門", 技術評論社,2017.ISBN 978-4-7741-9223-9
    7. コーリー・アルソフ, 清水川貴之監訳,"独学プログラマー Python言語の基本から仕事のやり方まで", 日経BP,2018.ISBN 978-4-8222-9227-0
    8. 掌田津耶乃,"データ分析ツールJupyter入門", 秀和システム,2018.ISBN 978-4-7980-5476-6
    b. Python 2の入門図書  >>さらに
B  scikit-learn (サイキット・ラーン) と Keras (ケラス)で学ぶ機械学習入門
 1. 人工知能とは 人工知能とは何 -人工知能学会

 2. 機械学習のweb図書 入門書3冊読んだが早い.先達に感謝.
   a. 深層学習による画像認識
     1. Deep Learningを用いた手書文字の画像認識のデモ.-トリプルアイズ   2. シーン分類の画像認識のデモ.-富士通
     3. 画像認識と建設業界事例  4. 深層学習による画像認識の応用.  5. TensorFlow 入門-機械学習用ライブラリーの詳細.-IBM
   b. 機械学習
     1. 機械学習-wikipedia  機械学習と 数学記号   機械学習の歴史のリンク集
     2. 機械学習のモデル -IBM  朱鷺の杜Wiki「機械学習」  手法を中心にざっくり整理  代表的な機械学習手法一覧  >>さらに
   c.画像認識とディープラーニング    >>さらに
   d.機械学習で使うデータセット  「機械学習 データセット」で検索すれば見つかる.         
 3. 機械学習ライブラリ ロゴscikit-learn scikit-learn で機械学習入門 機械学習の手続きをコピペで体験

   [テーマ:機械学習入門,教師あり分類,画像認識,ただし深層学習は省く]
  1. 学習方針:理屈は後から.多くのプログラムをコピペで動かし手続きを体験する.そのあとで機械学習の工学理論を知りたくなればいい.

  2. 歴史:scikitはscipy toolkitの略でscipy(サイパイ)の拡張モジュールとして開発されたものである.scikit-learn -Wikipedia

  3. scikit-learnインストール:Anaconda Navigata -> Environments -> Not installed -> scikit-learn を選択 -> Apply.
    関連のパッケージのリストが示されるのでまとめてインストールする.

  4. 使用するライブラリー:sklearn, pandas, pickle, numpy, scipy, matplotlib  太字を新規に使用する.なければインストールが必要.

  5. scikit-learn ユーザーガイド:
    1. scikit-learnの公式サイト ・scikit-learnのプログラミングインタフェース(API) ・User Guide -scikit-learn
    2. scikit-learn で機械学習 -plavox  ・scikit-learnの分類器解説 -Qiita
    3. アルゴリズム・チートシート ( http://scikit-learn.org/stable/tutorial/machine_learning_map/index.html )
     ・教師ありデータ->サンプル数10万以下の場合->[LinearSVC]機能せず->[KNeighorsClassfier]機能せず->[SVC]を選択
     ・教師なしデータ->クラスター数が既知->サンプル数1万以下の場合->[KMeans]機能せず->[GMM]を選択



    □機械学習で可能な作業目的
     ・分類(Classification)
     ・回帰(Regression)
     ・クラスタリング(Clustering)
     ・次元圧縮(Dimensionality Reduction)
     ・推薦(Recommendation)
  6. scikit-learnで入門自習書: ここで体験した後に,3冊読めればもう入門者クラス
    "Pythonによるスクレイピング&機械学習 開発テクニック",クジラ飛行机,ソシム,2016. ISBN 978-4-8026-1079-7
    "Python機械学習プログラミング",Sebastian Raschka,インプレス,2016. ISBN 978-4-8443-8060-3
    "Pythonではじめる機械学習 scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎",A.C.Muller,S.Guido,
    オライリージャパン, 2017. ISBN 978-4-87311-798-0
    "データ分析ツールJupyter入門",掌田津耶乃, 秀和システム,2018. ISBN 978-4-7980-5476-6
    "Pythonによる AI・機械学習・深層学習アプリのつくり方",クジラ飛行机,ソシム,2018. ISBN 978-4-8026-1164-0
    "scikit-learnとTensorFlowによる実践機械学習",A.Geron,下田倫大,オライリージャパン,2018. ISBN 978-4-87311-834-5

    キーワード
    ・学習手法とアルゴリズム:教師あり学習(supervised learning) / 教師なし学習(unsupervised learning)
    ・分類器のアルゴリズム
     教師あり学習の分類器:線形回帰/ロジスティック回帰/K近傍法/サポートベクターマシン/パーセプトロン/多層パーセプトロン
     教師なし学習の分類器:k平均法/Gaussian Mixture Model/主成分分析
    ・分類器の訓練テスト手法:ホールドアウト法(HoldOut Method) / K-分割交差検定( K-fold cross-validation)  解説1  解説2
    ・分類器の評価の指標:正解率(accuracy_score )/ 精度(適合率, precision) / 再現率 (recall) / f値(調和平均)

  7. 教師あり学習で分析するデータの構造
    1. 1つのサンプルデータセットは@特徴量(feature: 統計分野では,属性,計測値)のデータとAラベルのデータから構成される.
    2. 特徴量のコ-ディング.
      ・特徴量のスケーリング(feature scaling):複数の特徴量の値の範囲をそろえることで,その種類に,正規化と標準化がある.
      ・特徴量が連続数値でなくカテゴリーで名義の場合,カテゴリを整数値に置き換える.
       ただし,整数値の順番が意味を持つので,One-Hotベクトル形式に変換しなければならない.
    3. ラベル(カテゴリー)のデータコ-ディング.
      ・カテゴリーは,0,1,2,3・・の整数値に置き換える.scikit-learnでは内部で処理する.
      ・ライブラリkerasでは,カテゴリーデータのラベルは必ずOne-Hotベクトルに変換する.

  8. 「scikit-learnのコピペ学習」で機械学習を体験する  [深層学習はここでは扱わない]
    1. scikit-learnが準備している教師あり学習で使用する
    分類器とデータ変換器のリスト
    2. コピペ学習にあきたり,またエラーが発生し困ったときのPythonの調べ方

    3. scikit-learnでの機械学習の手続きは@〜Eの順序で
    @ scikit-learnからの教材データの読み込み(load_データ名)
     #まずホールドアウト法の手続を学ぶ
    A データを訓練用とテスト用に分ける(train_test_split)
    B scikit-learnの分類器を選択しインスタンス生成(clf)
    C 訓練データで分類器を訓練する (fit)
    D テストデータで訓練した分類器をテストする (predict)
    E 分類器テスト結果・正解率の表示 (accuracy_score)

    4. 分類器(学習モデル)の性能評価指標  顔写真による犯人分類や,キュウリの規格分類,ひとの病名判断でどれを使うか.
     a. 正解率(accuracy_score) 正しく分類されたものの割合(総正解数/総サンプル数)
     b. 精度(適合率 precision) 分類器が正しいと判断した中の実際に正しいものの割合
     c. 再現率(recall) 実際に正しいもののうち分類器が正しいと判断した割合
     d. F1スコア(f1-score) 精度と再現率の調和平均 = 2x(精度x再現率) / (精度+再現率)

  9. scikit-learnの基本手続きは教材[ iris ]と[ digits ]で体験する   参考1   参考2

    scikitに付属するデータセット iris (アヤメの形状データ), digits (数字の手書き文字), Wine recognition dataset(ワインの品質データ)
    Boston house prices (ボストンの住宅価格), Diabetes (糖尿病患者の診断データ), Linnerud (生理学的特徴と運動能力の関係)
    Breast cancer wisconsin diagnostic dataset(乳がんデータ)

    1. 花のがく片の長さのデータ[iris] 150サンプル・4属性(あるいは変数・特徴量・ベクトルの個数)でアヤメを4分類する

    iris
    a. 統計で有名なアヤメのデータセット[iris]を手に入れデータ構造を観察する
    b. 教師あり分類器「サポートベクターマシン」を使いテストする
    c. 教師あり分類器「K近傍法・ロジスティック回帰・単純パーセプトロン・多層パーセプトロン」を使いテスト
    d. 教師なし分類器「K平均法・GMM・GaussianMixture」を使いテスト
    e. 教師ありの全分類器の中から[iris]に最適な分類器を探す
    f. 選んだ「サポートベクターマシン」の最適なパラメータの組み合わせを探す
    g. 調教した「学習済みモデル」の保存と利用
    h. 計算するたびに,正解率が変わるのはなぜか考えてください.

    2. グレイ画像8x8画素データセット[digits] 1797サンプル・64属性で手書き数字画像を10分類する

    digits
    a. 手書き数字のデータ[digits]を手に入れデータ構造を観察する
    b. 教師あり分類器「サポートベクターマシン」を使いテストする
    c. 教師あり分類器「K近傍法・ロジスティック回帰・単純パーセプトロン・多層パーセプトロン」を使いテスト
    d. 教師なし分類器「K平均法・GMM・GaussianMixture」を使いテスト
    e. 教師ありの全分類器の中から[digits]に最適な分類器を探す

    3. グレイ画像28x28画素データセット[mnist] 70000サンプル・784属性で手書き数字画像を10分類する

    mnist
    a. 手書き数字のデータセット[mnist]を手に入れデータ構造を観察する
    b. 教師あり分類器「サポートベクターマシン」を使いテストする
    c. 教師あり分類器「K近傍法・ロジスティック回帰・単純パーセプトロン・多層パーセプトロン」を使いテスト
    d. 教師ありの全分類器の中から[mnist]に最適な分類器を探す

    4. カラー画像32x32x3RGB 画素データセット[cifar10] 70000サンプル・3072属性で写真の内容を10分類する

    cifar10
    a. カラー写真のデータ[cifar10 (スィーファーテン) ]を手に入れデータ構造を観察する
    b. 分類器に3072個の特徴量を理解させるために「データの正規化と標準化の前処理」が必要になる課題
     ・教師あり分類器「サポートベクターマシン」を使いテスト
     ・教師あり分類器「多層パーセプトロンMLPClassifier(人工ニューラルネットワーク)」を使いテスト
     ・教師あり分類器「多層パーセプトロンMLPRegressor(人工ニューラルネットワーク)」を使いテスト
    c. scikit-learnで訓練した分類器の保存(モデル,重みパラメータ,学習データ)と再利用の手続き
 4. 深層学習ライブラリ ロゴKerasKeras(ケラス) で深層学習入門
 「畳み込みニューラルネットワーク(CNN)」の手続きをコピペ体験

 TensorFlow (テンソルフロー)とKerasで scikit-learnで解けない画像認識の課題を学ぶ  [テーマ:教師あり分類,深層学習,画像認識]

    Python 3.6でしか確認していない.Python 3.7にする前に情報を集めてください.

  1. 学習方針:scikit-learn で機械学習を体験してからここに進むように.先達に感謝.
    理屈は後で.まず,多くのプログラムをコピペで動かし次の手続きを体験する.後で機械学習の工学理論を知りたくなればいい.

  2. kerasインストール:Anaconda Navigata -> Environments -> Not installed -> keras を選択 -> Apply.
    関連のパッケージのリストが示されるのでまとめてインストールする.

  3. 使用ライブラリー:tensorflow, keras, cv2, h5py, numpy, scipy, pillow, matplotlib 太字は新規に使用する.なければインストールが必要.A4に戻る

  4. Keras ユーザーガイド:
    1. Keras日本語 公式サイト   公式サイト   Wikipedia
    2. Sequential分類器でKerasを 始めてみよう  ・Sequentialモデル  ・functional API  ・functional データセット
    3. 教材サンプルは,https://github.com/keras-team/keras/tree/master/examples
    4. VGG16( 畳み込み13層+全結合層3層=16層のCNN), VGG19(畳み込み16層+全結合層3層=19層のCNN)の分類器の体験を

  5. Keras ( +TensorFlow )で入門自習書:手続きの知識だけでなく深層学習の知識を知りたくなる.本はさがして買って読む.
    "詳解 ディープラーニング TensorFlow・Kerasによる時系列データ処理", 巣籠悠輔, マイナビ, 2017. ISBN 978-4-8399-6251-7.
    "Pythonによる AI・機械学習・深層学習アプリのつくり方",クジラ飛行机,ソシム,2018. ISBN 978-4-8026-1164-0
    "現場で使える!TensorFlow開発入門 Kerasによる深層学習モデル構築手法", 太田,須藤,黒澤,小田, 翔泳社, 2018. ISBN 978-4-7981-5412-1
    "PythonとKerasによるディープラーニング", Francois Chollet, 巣籠悠輔, マイナビ,2018. ISBN 978-4-8399-6426-9
    "直感 Deep Learning -Python×Kerasでアイデアを形にするレシピ (Deep Learning with Keras)",Antonio Gulli, Sujit Pal, オライリージャパン,2018. ISBN 978-4-8731-1826-0.
    "TensorFlow&Kerasプログラミング実装ハンドブック",チーム・カルポ,秀和システム,2018. ISBN 978-4-7980-5541-1.
    "RとKerasによるディープラーニング ", Francois Chollet, J. J. Allaire, オライリージャパン,2018. SBN 978-4-8731-1857-4.

    キーワード
    (1) ニューロン(neuron) /形式ニューロン(1943) /単純パーセプトロン(1958) /多層パーセプトロン(MLP) /人工ニューラルネットワーク(Artificial NN)
     ・入力層 /隠れ層(中間層) /出力層からなるネットワーク
    (2) 順伝播型ニューラルネットワーク /ディープラーニング(深層学習 DNN) /畳み込みニューラルネットワーク(CNN)
     ・隠れ層をさらに細分化し,全結合層 /畳み込み層 /MaxPooling層 /ドロップアウト層 /Flatten層からなるネットワークを作り上げる

  6. 教師あり学習で分析するデータの構造
    1. 1つのサンプルデータセットは@特徴量(feature: 統計分野では,属性,計測値)のデータとAラベルのデータから構成される.
    2. 特徴量のコ-ディング.
      ・特徴量のスケーリング(feature scaling):複数の特徴量の値の範囲をそろえることで,その種類に,正規化と標準化がある.
      ・特徴量が連続数値でなくカテゴリーで名義の場合,カテゴリを整数値に置き換える.
       ただし,整数値の順番が意味を持つので,One-Hotベクトル形式に変換しなければならない.
    3. ラベル(カテゴリー)のデータコ-ディング.
      ・カテゴリーは,0,1,2,3・・の整数値に置き換える.
      ・ライブラリkerasでは,カテゴリーデータのラベルは必ずOne-Hotベクトルに変換する.

  7. 「Kerasのコピペ学習」で深層学習 ( Deep Learning ) の手続きを体験する
    1. 自宅にWindows10 版 TensorFlow・Kerasの環境を構築する

    2. Kerasでの機械学習の手続きはscikit-learnと同じく@〜Eの順序で.
    @ kerasの教材データをロード
    Aデータを訓練用とテスト用に分ける
    B分類器を自前で設計する
     B-1 分類器の定義
     B-2 分類器をコンパイル(内部に構築)する
    C分類器でミニバッチを繰り返し訓練を実行
    D訓練した分類器でテストを実行
    E結果の出力
     E-1 時間をかけた訓練結果の重みパラメータファイル保存
     E-2 学習経過をグラフに記録し観察

  8. Kerasの基本手続きは教材[ mnist ]と[ cifar10 ]のサンプルプログラムを動かして体験する

    Kerasに付属する
    データセット
    CIFAR10 画像分類 10のクラスにラベル付けされた,50,000枚の32x32訓練用カラー画像,10,000枚のテスト用画像のデータセット
    CIFAR100 画像分類 100のクラスにラベル付けされた,50,000枚の32x32訓練用カラー画像,10,000枚のテスト用画像のデータセット
    IMDB映画レビュー感情分類 感情 (肯定/否定) のラベル付けをされた,25,000のIMDB映画レビューのデータセット
    ロイターのニュースワイヤー トピックス分類 46のトピックにラベル付けされた,11,228個のロイターのニュースワイヤーのデータセット
    Fashion-MNIST ファッション記事データベース 60,000枚の28x28,10個のファッションカテゴリの白黒画像と10,000枚のテスト用画像データセット
    ボストンの住宅価格回帰データセット Carnegie Mellon大学のStatLib ライブラリのデータセット


    1. グレイ画像28x28画素データセット[mnist] 70000サンプル・784属性で手書き数字画像を10分類する

    mnist
    a. Kerasから手書き数字画像データ[mnist]を手に入れデータ構造を観察する
    b. 教師あり分類器「ニューラルネットワーク(Neural Network)」を設計し訓練・テストする
             ・分類器「入力層-出力層」のあるNN  ・分類器「隠れ層」のあるNN
    c. 教師あり分類器「畳み込みニューラルネットワーク(Convolutional Neural Networ)」を設計し訓練・テスト
             ・分類器「 VGG-like 」のCNN  ・分類器「 LeNet 」のCNN

    2. グレイ画像64x63データセット[ETL7]で手書きひらがな画像を46分類する

    ETL7
    a. 産業技術総合研究所の画像認識用 手書ひらがな文字データベース「ETL7」とは
    b.「ETL文字データベース」からKeras用「手書きひらがな画像データセット」を作成する
    c. VGG-likeな畳み込みニューラルネットワークの分類器で「手書きひらがな」を訓練・テストする

    3. グレイ画像64x63データセット[ETL1]で手書きカタカナ画像を46分類する

    ETL1
    a. 産業技術総合研究所の画像認識用 手書カタカナ文字データベース「ETL1」とは
    b.「ETL文字データベース」からKeras用「手書きカタカナ画像データセット」を作成する
    c. VGG-likeな畳み込みニューラルネットワークの分類器で「手書きカタカナ」を訓練・テストする

    4. カラー画像32x32x3RGB 画素データセット[cifar10] 70000サンプル・3072属性で写真の内容を10分類する
     scikit-learnの分類器で50%の正解率に達成しない課題である.

    cifar10
    a. Kerasからカラー画像のデータ[cifar10]を手に入れデータ構造を観察する
    b. 教師あり分類器「ニューラルネットワーク」を設計し訓練・テストする
             ・分類器「入力層-出力層」のあるNN  ・分類器「隠れ層」のあるNN
    c. 教師あり分類器「畳み込みニューラルネットワーク(CNN)」を設計し訓練・テストする
             ・分類器「 VGG-like 」のCNN  ・分類器「 LeNet 」のCNN
    d. あなたが,[cifar10] で訓練した分類器「畳み込みニューラルネットワーク」に写真(32X32)を判定させる
             ・ VGG-like モデル利用 正解率= 0.76 では  ・ LeNet モデル利用 正解率= 0.70 では

    5. 過去に訓練した教師あり分類器を再利用して写真の内容を分類する.写真の内容を1000分類する.

    ImageNet
    a. 画像認識用データセットImageNet とは?
    b. kerasが訓練したImageNetで訓練した画像分類のモデルが利用できる.
             Xception/ VGG16/ VGG19/ ResNet50/ InceptionV3/
    c. [ImageNet] で訓練した学習済みCNN分類器を再利用し写真(224X224)を判定させる
             ・ VGG16 訓練モデル利用では  ・ InceptionV3 訓練モデル利用では  ・ ResNet50 訓練モデル利用では
 5. 手書き数字「MNIST」で画像認識のメカニズムと深層学習のコードを一人で学習する

   --便利なライブラリに頼らない方法で,ゼロから学ぶのも面白い--
  [テーマ:教師あり分類,深層学習,画像認識]
   ここまでたどり着けば,深層学習のメカニズムとコードと数学を体系的に学習しようとするでしょう.
      

    「5」の手書き数字画像をグレイスケールの縦横28x28セルの画像サイズに変換する.

    1枚の数字画像を28X28=784個のベクトルの入力データとしてAIに与える.

    AIに大量の手書き数字60000個(教師用)で訓練し,隠れ層や出力層のパラメータを計算させる.
    畳み込みニューラルネットワーク(CNN)の訓練データとテストデータの認識率の変化.
    AI君は時間をかけ学習を繰返すと正解率が上がる.まるで学生諸君と同じように,

    Deep learningの認識率98.96%.
    10000個のテスト画像データで誤・認識した手書き数字の例.学生の汚字は教師と同じようにAIも読み間違える.



  1. 自習書:
    "ゼロから作るDeep Learning", 斎藤康毅, オライリージャパン, 2016, ISBN 978-4-87311-758-4
    ・使用するソースコードのリポジトリ(貯蔵庫)
    1. https://github.com/oreilly-japan/deep-learning-from-scratch
    2. https://sites.google.com/site/masaakikotera/8-python/8-2-ipython-notebook?tmpl=%2Fsystem%2Fapp%2Ftemplates%2Fprint%2F&showPrintDialog=1
    ・web参考資料:ニューラルネットワークを用いた手書き文字認識
    ・YouTube資料:〔サイエンスZERO〕人工知能の大革命!ディープラーニング   TensorFlow Tutorial #02 Convolutional Neural Network

  2. キーワード:
    ・学習モデル [ 単純パーセプトロン,多層パーセプトロン,  2層ニューラルネットワーク(入力層->隠れ層@->出力層A),
     100層ニューラルネットワーク(入力層->隠れ層@->隠れ層A・・・・・->出力層),ディープラーニングを始める
     畳み込みニューラルネットワーク(入力層->畳み込み層+プーリング層->全結合層->出力層) ],
    ・活性化関数 [ ステップ関数,シグモイド関数,ランプ関数,ソフトマックス関数 ],
     損失関数,数値微分,偏微分.勾配,誤差逆伝播法,汎化能力,過学習,エポック

  3. データ: web THE MNIST DATABASE of handwritten digits ・ MNIST database -wikipedia

[ 先頭へ戻る ]   [ 仮想教室の総合案内に戻る ]