TensorFlow を用いた理論的かつ高度な機械学習

ML では数学が大きな比重を占めます。そのため ML モデルを変更したり、新しいモデルをゼロから構築する場合は、基礎となる数学の概念に精通していることが非常に重要です。だからと言って、前もって数学を完璧にマスターする必要はありません。なじみのない概念に出くわしたら、調べれば良いのです。数学を学んだことがあるものの、それから時間が経っている場合は、3blue1brown の Essence of linear algebra および Essence of calculus の再生リストを視聴すると、知識を再確認できます。また、大学のコースを受講するか、MIT の Linear Algebra や Single Variable Calculus のようなオープン アクセス講義をご覧になることをおすすめします。

1 つのコースだけでディープ ラーニングに関して知らなければならないことをすべて学ぶことはできません。そのため、複数のコースを同時に受講することをおすすめします。教材には重複する部分があるものの、複数のインストラクターがさまざまな方法で概念を説明してくれるので、特にトピックが複雑な場合に役立ちます。以下は、まずはじめに学習することをおすすめするコースです。複数のコースを並行して学習することも、自分に最も関係するコースを 1 つ選択して学習することもできます。

学習を重ね、理解した概念を実践を通じて強化すればするほど、独自の ML モデルを巧みに構築し、評価することができるようになります。

CS231n: Convolutional Neural Networks for Visual Recognition では、ディープ ラーニング アーキテクチャに関するスタンフォード大学のさまざまな講義動画とスライドをご覧いただけます。特にコンピュータ ビジョン タスクのためのエンドツーエンド モデルを学ぶことに焦点を当て、ディープ ラーニング アーキテクチャを詳しく解説します。このコースは非常に優れており、入門編としても最適です。MIT course 6.S191: Introduction to Deep Learning は、TensorFlow を使用したディープ ラーニングに関する MIT 提供の短い入門コースであり、リソースとしても優れています。また、Lex Fridman による MIT Deep Learning もお試しください。ディープ ラーニング、ディープ レインフォースメント ラーニング、自動運転車、人工知能など、さまざまコースと講義が用意されています。"

最後に、Andrew Ng が Coursera で講師を務める、独創性に富んだ Deep Learning Specialization もおすすめします。5 つのコースで構成され、畳み込みネットワーク、RNNS、LSTM などのディープ ラーニングの基礎を学ぶことができます。この専門講座は、受講者がディープ ラーニングを業務で使用して、AI の分野でキャリアを築けるようになることを目的に構成されています。

上記のコースの学習内容を補うために、以下に挙げた書籍で理解を深めることをおすすめします。それぞれの書籍には、練習に役立つ補足資料が掲載されており、オンラインで入手可能です。

まずは、Ian Goodfellow、Yoshua Bengio、Aaron Courville による著書『Deep Learning: An MIT Press Book』から読み始めることをおすすめします。『Deep Learning』は学生の理解を深めることを目的にした高度なリソースです。この書籍のウェブサイトでは、演習問題、講義スライド、訂正箇所、そのほか学んだ概念を実践的に練習できるリソースなど、さまざまな補足資料をオンラインで利用できます。

また、Michael Nielsen によるオンライン ブック Neural Networks and Deep Learning もご覧いただけます。この書籍では、ニューラル ネットワークの理論的背景を学ぶことができます。この書籍では TensorFlow は使用されていないものの、さらに知識を深めたい方向けのリファレンスとして最適です。

この時点では、TebsorFlow のウェブサイトで文献をいくつか読み、いくつかの有名な文献に記載されている実装など、高度なチュートリアルに挑戦してみることをおすすめします。高度なアプリケーション、機械翻訳、画像キャプションについて学ぶには、チュートリアルのリンク先にある文献を読むことをおすすめします。チュートリアルの途中にある関連するコードのセクションを使用して、理解したことを定着させましょう。