概要
ニューラルネットワーク(以下、NN)は人間の脳を模倣したネットワークである
NNは入力層、中間層、出力層からなり、中間層を多くして、パラメータを調整することでより複雑なタスクに対応することができる
NNでは以下のような回帰問題、分類問題に対応できる
現在、深層学習を実用化した例は多数ある
入力層にはデータ(数値)が入り、そこからNNの肝となる中間層に繋がる
NNは数学的に記述ができ、pythonで実装可能である
この章では以下の項目を学んだ
・NNの全体像(確認テスト2つ含む)
・NNにできること
・入力層から中間層(確認テスト1つ含む)
・数式とコード(確認テスト2つ含む)
・ハンズオン
NNの全体像
NNは入力層、中間層、出力層から成り層と層の間にある重み(パラメータ)を調整することで、求められる出力を得る。
<<確認テスト>>
①ディープラーニングは結局何をしようとしているのか?また、どの値の最適化が最終目的か?
ニューラルネットワーク内にある重みとバイアスの最適化を行い、各出力の確率を出力する数学モデルを構築すること
②入力層:2ノード1層 中間層:3ノード2層 出力層:1ノード1層 を記述せよ
NNにできること
回帰
連続する実数値を取る関数の近似
・売上予測
・株価予想
・競馬順位予想
・人気順位予想
回帰
性別(男あるいは女)や動物の種類など離散的な結果を予想するための分析
・猫写真の判別
・手書き文字認識
・花の種類分類
深層学習の実用例
・自動売買
・チャットボット
・翻訳
入力層から中間層
入力層から中間層は以下のように図示できる。
w,bを学習することで予測を行うことができる
<<確認テスト>>
上の図に動物分類の実例をいれよ
数式とコード
中間層への入力は以下の数式で表すことができる(入力は4つとする)
<<確認テスト>>
①上記の式をpythonで記述せよ
x = np.array([x1,x2,x3,x4])
w = np.array([w1,w2,w3,w4])
u = np.dot(x,w) + b
②1-1ファイルから中間層の出力を定義しているソースを抜き出せ
ハンズオン
重みやバイアスを変更して出力の変化を確認した