Giter VIP home page Giter VIP logo

learning_keras's Introduction

learning_keras

learning_keras's People

Contributors

hazhikko avatar

Watchers

avatar

learning_keras's Issues

【直感 Deep Learning】4章　GANと WaveNet

  • 4.1　GANとは何か
  • 4.1.1　GANの適用例
  • 4.2　深層畳み込みGAN
  • 4.3　MNISTを偽造するための敵対的なGAN
  • 4.4　CIFAR-10の画像を生成するGANの実装
  • 4.5　WaveNet：音声の生成方法を学習する生成モデル
  • 4.6　まとめ

【直感 Deep Learning】2章　KerasのインストールとAPI

  • 2.1　Kerasのインストール
  • 2.1.1　ステップ1：依存ライブラリのインストール
  • 2.1.2　ステップ2：TensorFlowのインストール
  • 2.1.3　ステップ3：Kerasのインストール
  • 2.2　Kerasの設定
  • 2.3　Docker上へのKerasのインストール
  • 2.4　Keras API
  • 2.4.1　Kerasのアーキテクチャ
  • 2.4.2　事前定義済みのニューラルネットワーク層の概要
  • 2.4.3　事前定義済みの活性化関数の概要
  • 2.4.4　損失関数の概要
  • 2.4.5　評価関数の概要
  • 2.4.6　最適化アルゴリズムの概要
  • 2.4.7　ユーティリティ
  • 2.4.8　モデルの保存と読み込み
  • 2.5　学習過程をカスタマイズするためのコールバック
  • 2.5.1　チェックポイント
  • 2.5.2　TensorBoardの使用
  • 2.5.3　Quiverの使用
  • 2.6　まとめ

【直感 Deep Learning】6章　リカレントニューラルネットワーク

  • 6.1　SimpleRNNセル
  • 6.1.1　RNNを用いたテキスト生成
  • 6.2　RNNのトポロジー
  • 6.3　勾配消失と勾配爆発
  • 6.4　LSTM
  • 6.4.1　LSTMで評判分析
  • 6.5　GRU
  • 6.5.1　GRUで品詞タグ付け
  • 6.6　双方向RNN
  • 6.7　ステートフルRNN
  • 6.7.1　ステートフルLSTMで電力消費量の予測
  • 6.8　その他のRNNの亜種
  • 6.9　まとめ

【直感 Deep Learning】1章　ニューラルネットワークの基礎

  • 1.1　パーセプトロン
  • 1.1.1　最初のKerasのコードの例
  • 1.2　多層パーセプトロン：最初のネットワークの例
  • 1.2.1　パーセプトロンの学習における問題と解決策
  • 1.2.2　活性化関数：シグモイド
  • 1.2.3　活性化関数：ReLU
  • 1.2.4　活性化関数
  • 1.3　実例：手書き数字認識
  • 1.3.1　one-hotエンコーディング：OHE
  • 1.3.2　Kerasによるシンプルなネットワークの定義
  • 1.3.3　Kerasのシンプルなネットワークを動作させてベースラインとして設定
  • 1.3.4　隠れ層の追加による精度向上
  • 1.3.5　ドロップアウトによる精度向上
  • 1.3.6　最適化アルゴリズムの変更
  • 1.3.7　学習エポックの増加
  • 1.3.8　学習率の制御
  • 1.3.9　内部隠れ層の増加
  • 1.3.10　バッチ計算サイズの増加
  • 1.3.11　手書き数字認識の実験の要約
  • 1.3.12　正則化――過学習を避ける
  • 1.3.13　ハイパーパラメータチューニング
  • 1.3.14　予測結果
  • 1.4　誤差逆伝播法の実践的な全体像
  • 1.5　ディープラーニングのアプローチについて
  • 1.6　まとめ

【直感 Deep Learning】3章　畳み込みニューラルネットワーク

  • 3.1　畳み込みニューラルネットワークの仕組み
  • 3.1.1　局所受容野（local receptive field）
  • 3.1.2　重みの共有
  • 3.1.3　プーリング層（pooling layer）
  • 3.1.4　CNNについての総括
  • 3.2　CNNの実装例：LeNet
  • 3.2.1　KerasによるLeNetの実装
  • 3.2.2　ディープラーニングの力を理解する
  • 3.3　CIFAR-10の画像認識に挑戦
  • 3.3.1　ネットワークをより深くすることによる改善
  • 3.3.2　Data Augmentationによる改善
  • 3.3.3　学習したモデルを利用し予測する
  • 3.4　大規模な画像認識のための非常に深いネットワーク
  • 3.4.1　組み込みのVGG-16のモデルを使用する
  • 3.4.2　学習済みのモデルを特徴抽出器として活用する
  • 3.4.3　Inception-v3を使用した転移学習
  • 3.5　まとめ

【直感 Deep Learning】5章　単語分散表現

  • 5.1　分散表現
  • 5.2　word2vec
  • 5.2.1　Skip-gram
  • 5.2.2　CBOW
  • 5.2.3　分散表現の抽出
  • 5.2.4　サードパーティの実装
  • 5.3　GloVe
  • 5.4　事前学習済みベクトルの使用
  • 5.4.1　ゼロから分散表現を学習する
  • 5.4.2　word2vecで学習した分散表現のファインチューニング
  • 5.4.3　GloVeで学習した分散表現のファインチューニング
  • 5.4.4　分散表現の検索
  • 5.5　まとめ

【直感 Deep Learning】8章　AIによるゲームプレイ

  • 8.1　強化学習
  • 8.1.1　将来の報酬を最大化する
  • 8.1.2　Q-learning
  • 8.1.3　ディープニューラルネットワークによるQ関数の実装
  • 8.1.4　探索（exploration）と活用（exploitation）のバランス
  • 8.1.5　Experience Replay（経験の蓄積と活用）
  • 8.1.6　Q-networkの固定
  • 8.1.7　報酬のクリッピング
  • 8.2　ボールキャッチゲームのためのDeep Q-networkの実装
  • 8.3　強化学習を取り巻く状況
  • 8.4　まとめ

【直感 Deep Learning】7章　さまざまなディープラーニングのモデル

  • 7.1　functional API
  • 7.2　回帰を行うネットワークの構築
  • 7.2.1　回帰モデルの実装：大気中のベンゼン濃度の予測
  • 7.3　教師なし学習：自己符号化器
  • 7.3.1　自己符号化器の実装：文ベクトルの作成
  • 7.4　ネットワークを組み合わせる：複合ネットワーク
  • 7.4.1　複合ネットワークの実装：質問回答を行うMemory Network
  • 7.5　Kerasのカスタマイズ
  • 7.5.1　層のカスタマイズ：Lambda層の使用
  • 7.5.2　層のカスタマイズ：カスタムの正規化層を作成する
  • 7.6　生成モデル
  • 7.6.1　生成モデルの実装：Deep Dream
  • 7.6.2　Deep Dreamの応用：スタイルトランスファー
  • 7.7　まとめ

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.