TensorFlowによるディープラーニング解説と実践

～Google社のディープラーニングフレームワーク：TensorFlow～

1　AI利用の現状
　　1.1　IBMの人工知能「ワトソン」、医者が思いもよらぬ治療法を続々発見
　　1.2　TensorFlowの普及率は他を圧倒している
　　　1.2.1　Google翻訳　ニューラルネットワークが導入されて精度が大幅上昇
　　　1.2.2　Googleが深層学習専用プロセッサ「TPU」公表　性能はGPUの10倍

2　AI技術概要
　　2.1　AI技術の分類
　　2.2　機械学習とディープラーニングの違い

3　 Deep Learning（深層学習）とは
　　3.1　これまでの学習と深層学習（Deep Learning）
　　3.2　Deep Learning基本手法のまとめ

4　ニューラルネットワーク
　　4.1　ニューラルネットワークとその表現
　　4.2　ニューラルネットワークの利点と欠点

5　ニューロンの動作原理
　　5.1　ニューロンはいつ発火するのか？
　　5.2　1つのニューロンの内部の状態の表現
　　5.3　複数のニューロンの動きを考える
　　5.4　活性化関数とクラス分けのActivator 
　　　5.4.1　sigmoid関数
　　　5.4.2　ReLU（Rectified linear Unit）
　　　5.4.3　tanh関数
　　　5.4.4　softmax関数
　　　5.4.5　One-Hot-Vector
　　5.5　ニューラルネットワークのパラメータ最適化
　　　5.5.1　線形回帰
　　　5.5.2　回帰分析
　　　5.5.3　損失関数（Loss Function）
　　　5.5.4　Gradient descent 勾配降下法

6　TensorFlow
　　6.1　TensorFlowとは
　　6.2　TensorFlowの利点と欠点-1
　　6.3　TensorFlow実行環境セットアップ

7　TensorFlowプログラミング
　　7.1　TensorFlowの変数生成
　　7.2　TensorFlowの変数初期化
　　7.3　パラメータ（重みとバイアス）の最適化
　　7.4　バックプロパゲーション（Backpropagation）誤差逆伝播法

8　TensorFlowサンプルプログラム
　　8.1　線形回帰サンプル
　　　8.1.1　線形回帰とは
　　　8.1.2　サンプルコード　regression.py
　　　8.1.3　線形回帰サンプル解説　regression.py
　　　①予測式（モデル）を記述する
　　　②誤差関数を記述
　　　③最適化手法を選ぶ
　　　④訓練データを作成（or読込）
　　　⑤学習実行
　　　⑥実行結果
　　　⑦予測
　　　⑧後片付け
　　8.2　ロジスティック回帰サンプル
　　　8.2.1　ロジスティック回帰（logistic regression）
　　　①単純パーセプトロン
　　　②活性化関数（activation function）
　　　③多層パーセプトロン
　　　④ステップ関数
　　　⑤シグモイド関数
　　　8.2.2　サンプル シグモイド関数を使用
　　　①ソースコード　sigmoid.py
　　　②ソースコード解説　sigmoid.py
　　8.3　MNIST for beginners
　　　8.3.1　サンプルコード mnist1.py 
　　　8.3.2　実行結果
　　　8.3.3　MNIST for beginners解説
　　8.4　Deep MNIST for Experts
　　　8.4.1　サンプルコード mnist2.py
　　　8.4.2　実行結果
　　　8.4.3　Deep MNIST for Experts解説
　　8.5　CIFAR-10
　　　8.5.1　CIFAR-10の特徴
　　　8.5.2　サンプルコード 
　　8.6　畳み込みニューラルネットワーク：CNN（Convolutional Neural Networks）
　　8.7　再帰型ニューラルネットワーク：RNN（Recurrent Neural Networks）
　　8.8　ディープ・ニューラルネットワーク：DNN（Deep Neural Networks）