このカテゴリの記事
- 01 ニューラルネット基礎 - パーセプトロンからMLPまで ニューラルネット基礎
- 02 誤差逆伝播法 - バックプロパゲーションの仕組み ニューラルネット基礎
- 03 活性化関数 - シグモイド・ReLU・Softmax ニューラルネット基礎
- 04 勾配消失問題 - DL長年の敵とその解決策 学習の課題
- 05 最適化手法 - SGD・Momentum・AdaGrad・RMSprop・Adam 学習の課題
- 06 正則化 - L1/L2・ドロップアウト・早期終了 学習の課題
- 07 バッチ正規化 - 深層学習を劇的に楽にした技術 学習の課題
- 08 データ拡張 - 訓練データを水増しする技術 学習の課題
- 09 事前学習と転移学習 - 学習効率を上げる魔法 学習の課題
- 10 ハイパーパラメータ探索とGPU/TPU 学習の課題
- 11 CNN基礎 - 畳み込み・プーリング・重み共有 CNN
- 12 CNN主要モデル - LeNet・AlexNet・ResNet・ViTまで CNN
- 13 RNN・LSTM・GRU - 時系列処理のニューラルネット RNN系
- 14 Encoder-Decoder と Attention - 機械翻訳の革命 RNN系
- 15 Transformer - 現代AIの土台となったアーキテクチャ Transformer
- 16 BERT - 双方向Transformerによる言語理解 Transformer
- 17 オートエンコーダ・VAE - 圧縮と生成のNN 生成モデル
- 18 GAN - 敵対的生成ネットワークの革命 生成モデル
- 19 自己教師あり学習 - ラベル不要でAIが賢くなる仕組み 最新技術
- 20 モデル軽量化 - 蒸留・量子化・プルーニング 最新技術
- 21 物体検出 - YOLO・SSD・R-CNN系の進化 画像認識タスク
- 22 セマンティックセグメンテーション - FCN・U-Net・Mask R-CNN 画像認識タスク
- 23 【総まとめ】Phase 3: ディープラーニング フェーズ総まとめ
このカテゴリで扱うテーマ
- ニューラルネット基礎・誤差逆伝播・活性化関数
- 最適化 (SGD/Adam)・正則化・バッチ正規化
- CNN (LeNet→ResNet→ViT) と画像認識
- RNN/LSTM/GRU・Attention・Transformer・BERT
- オートエンコーダ・GAN・VAE・自己教師あり学習・モデル軽量化