5d34bc4eb8
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
ニューラルネットワークの紹介
前述のように、知性を達成する方法の一つは、コンピュータモデルまたは人工脳を訓練することです。20世紀中頃から、研究者たちはさまざまな数学的モデルを試みてきましたが、近年、この方向性が非常に成功したことが証明されました。このような脳の数学的モデルをニューラルネットワークと呼びます。
ニューラルネットワークは、モデルについて話していることを示すために、人工ニューラルネットワーク（ANN）とも呼ばれることがあります。
機械学習
ニューラルネットワークは、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を目的とした機械学習と呼ばれるより大きな分野の一部です。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は扱いません。
古典的な機械学習について詳しく学ぶには、別の**初心者のための機械学習**カリキュラムをご覧ください。
機械学習では、いくつかの例のデータセットXと、それに対応する出力値Yがあると仮定します。例は、特徴で構成されるN次元ベクトルであり、出力はラベルと呼ばれます。
私たちは、最も一般的な機械学習の問題を二つ考えます：
- 分類：入力オブジェクトを二つ以上のクラスに分類する必要があります。
- 回帰：入力サンプルごとに数値を予測する必要があります。
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M×Nの行列であり、Mはサンプル数、Nは特徴の数です。出力ラベルYはサイズ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、私たちの脳は神経細胞で構成されており、それぞれが複数の「入力」（軸索）と出力（樹状突起）を持つことがわかっています。軸索と樹状突起は電気信号を伝導でき、軸索と樹状突起の間の接続は異なる導電性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 出典: Wikipedia) | 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。
ニューロンの初期モデルは、1943年にウォーレン・マカロックとウォルター・ピッツによる古典的な論文A logical calculus of the ideas immanent in nervous activityで説明されました。ドナルド・ヘッブは、彼の著書"The Organization of Behavior: A Neuropsychological Theory"で、これらのネットワークをどのように訓練できるかを提案しました。
このセクションでは
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：二クラス分類のための最も初期のニューラルネットワークモデルの一つ
- 多層ネットワーク：私たちのフレームワークを構築する方法に関するペアノートブック[04-OwnFramework/OwnFramework.ipynb]
- ニューラルネットワークフレームワーク：これらのノートブック：PyTorchとKeras/Tensorflow
- 過剰適合
免責事項:
この文書は、機械ベースのAI翻訳サービスを使用して翻訳されました。正確性を追求していますが、自動翻訳には誤りや不正確さが含まれる可能性があることにご留意ください。原文はその言語での権威ある情報源と見なされるべきです。重要な情報については、専門の人間翻訳を推奨します。この翻訳の使用に起因する誤解や誤訳について、当社は一切の責任を負いません。