ディープラーニングを支える技術 2
https://gyazo.com/9f2cc0017630c039ca2f395948bfc4bf
2022
本作ではニューラルネットワークにおける大きな謎である「なぜ学習できるのか」「なぜ汎化するのか」にスポットを当て平易に解説。合わせて，将来的な革新の可能性を秘める二大トピックとして，「生成モデル」「深層強化学習」も詳しく取り上げます。そして，4つのテーマのもと，ディープラーニングや人工知能について課題を整理し，今後を考えていきます。 第0章 ディープラーニングとは何か
表現学習とタスク学習，本書解説の流れ
0.1 ［速習］ディープラーニング
0.2 ニューラルネットワークの「学習」における大きな謎
0.3 これから学ぶ生成モデル
0.4 これから学ぶ強化学習
0.5 ディープラーニングと人工知能の課題とこれから
第1章 ディープラーニングの最適化
なぜ学習できるのか
1.1 最適化による学習
1.2 ［概要］学習の効率化
1.4 学習率の自動調整
1.5 ハイパーパラメータの最適化
1.6 本章のまとめ
第2章 ディープラーニングの汎化
なぜ未知のデータをうまく予測できるのか
2.1 従来の汎化理論との矛盾
2.2 ニューラルネットワークと陰的正則化
2.3 明示的な正則化
2.4 本章のまとめ
3.1 生成モデル＆深層生成モデルとは何か
ニューラルネットワークを使った潜在変数モデル
敵対的生成モデル
3.5 正規化フロー
3.7 本章のまとめ
第4章 深層強化学習 ディープラーニングと強化学習の融合
4.2 強化学習はどのような特徴を持つのか
4.3 最適な方策を直接求める
4.4 方策と価値
隣り合う時刻間の価値の関係を表す
オンラインでの方策の価値推定①
オンラインでの方策の価値推定②
4.8 予測から制御へ
問題のどこが変わるのか
基本の考え方とSARSA
人の振り見て我が振り直せ
4.11 関数近似
価値をパラメトリックモデルで近似する
方策の勾配を使って最適方策を学習する
ディープラーニングと強化学習の融合
コンピュータ囲碁での強化学習の適用例
4.16 本章のまとめ
第5章 これからのディープラーニングと人工知能
どのように発展していくか
5.1 学習手法の発展
5.2 人工知能と計算性能の関係
5.3 問題固有の知識をどう組み込むか
5.4 ディープラーニングの今後の課題
5.5 本章のまとめ