3ac667ea23
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
ニューラルネットワーク入門
序章で述べたように、知能を実現する方法の一つは、コンピュータモデルや人工の脳を訓練することです。20世紀中頃から研究者たちは様々な数学的モデルを試みてきましたが、近年になってこの方向性が非常に成功を収めることが証明されました。このような脳の数学的モデルはニューラルネットワークと呼ばれます。
ニューラルネットワークは時折、人工ニューラルネットワーク（Artificial Neural Networks、ANNs）と呼ばれることがあります。これは、実際のニューロンのネットワークではなく、モデルについて話していることを示すためです。
機械学習
ニューラルネットワークは、機械学習と呼ばれるより大きな分野の一部です。この分野の目的は、データを使用して問題を解決できるコンピュータモデルを訓練することです。機械学習は人工知能の大部分を構成していますが、このカリキュラムでは古典的な機械学習については扱いません。
古典的な機械学習について学びたい場合は、別の**Machine Learning for Beginners**カリキュラムをご覧ください。
機械学習では、例のデータセットXと対応する出力値Yがあると仮定します。例は通常、特徴からなるN次元ベクトルであり、出力はラベルと呼ばれます。
機械学習の最も一般的な問題を2つ考えます：
- 分類：入力オブジェクトを2つ以上のクラスに分類する必要がある場合。
- 回帰：各入力サンプルに対して数値を予測する必要がある場合。
入力と出力をテンソルとして表現する場合、入力データセットはサイズがM×Nの行列であり、Mはサンプル数、Nは特徴数を表します。出力ラベルYはサイズがMのベクトルです。
このカリキュラムでは、ニューラルネットワークモデルにのみ焦点を当てます。
ニューロンのモデル
生物学から、私たちの脳はニューロン細胞で構成されており、それぞれが複数の「入力」（軸索）と1つの出力（樹状突起）を持つことが知られています。軸索と樹状突起は電気信号を伝達することができ、軸索と樹状突起の間の接続は異なる伝導度を示すことがあります（神経伝達物質によって制御されます）。
 |
 |
|---|---|
| 実際のニューロン （画像 Wikipediaより） | 人工ニューロン （著者による画像） |
したがって、ニューロンの最も単純な数学的モデルは、いくつかの入力X1, ..., XNと出力Y、そして一連の重み**W1, ..., WN**を含みます。出力は次のように計算されます：
ここで、fは非線形の活性化関数です。
初期のニューロンモデルは、1943年にWarren McCullockとWalter Pittsによる古典的な論文「A logical calculus of the ideas immanent in nervous activity」で記述されました。Donald Hebbは著書「The Organization of Behavior: A Neuropsychological Theory」でこれらのネットワークを訓練する方法を提案しました。
このセクションで学ぶこと
このセクションでは以下について学びます：
- パーセプトロン：2クラス分類のための初期のニューラルネットワークモデル
- 多層ネットワーク：対応するノートブック独自のフレームワークを構築する方法付き
- ニューラルネットワークフレームワーク：以下のノートブック付き：PyTorchとKeras/Tensorflow
- 過学習
免責事項:
この文書は、AI翻訳サービス Co-op Translator を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知おきください。元の言語で記載された文書が公式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤認について、当方は一切の責任を負いません。