Kerasによるディープラーニング実践（CNN/RNN/LSTM）研修

Kerasを使用してディープラーニングをPythonで迅速に実践するための方法を学びます。
理論だけではなく実世界のデータを基に迅速にプロトタイプを構築し訓練する方法を学びます。

研修目的

・ディープラーニングの概要を理解する。
・Kerasの基礎と利用方法を理解する。
・CNN（Convolution Neural Network）を理解し実践する。
・RNN（Recurrent Neural Network）を理解し実践する
・データの精度，学習効率を上げる方法を理解する。

受講対象者

・Pythonについての基礎を学習されている方
・機械学習やディープラーニングについて，基礎を学習されている方
・高校レベルの数学知識 ※関数・ベクトル・行列の計算等

研修形式

・座学
・実機演習

カリキュラム

1．ディープラーニングの概要
　ニューラルネットワークとディープラーニング
　ディープラーニングの種類
　 TensorFlowとTheano
　CPUとGPU

2．Keras基礎
　Kerasに必要な環境とインストール
　シーケンシャルモデルの概要
　アクティベーション機能層
　トレーニング
　損失関数
　オーバーフィッティング（過学習）
　確率的勾配降下
　バックプロパゲーション（誤差逆伝搬）
　学習率
　オプティマイザ（最適化アルゴリズム）
　 scikit-learnとKeras

3．多層パーセプトロン
　ニューラルネットワークの多層化
　 Kerasで多層パーセプトロンの実装

4．CNN（Convolution Neural Network：畳み込みニューラルネットワーク）
　畳み込み処理
　畳み込み層
　プーリング層
　MAXプーリング
　KerasでCNNの実装

5．RNN（Recurrent Neural Network：再帰型ニューラルネットワーク）
　時系列データの学習
　順伝搬計算，逆伝搬計算
　勾配消失問題
　KerasでRNNの実装
　LSTM（Long Short-Term Memory：長・短期記憶）
　 KerasでLSTNの実装

6．精度・学習効率向上のために
　訓練データの質と量，特徴量，学習手法
　規格化，データの正規化，クレンジング
　データ拡張～難しい（まぎらわしい）データを加える
　複数のニューラルネットワークのモデル平均