MATLAB によるディープラーニング

1日目

イメージ分類向けの転移学習

学習目標: 事前学習済みのネットワークを使用してイメージを分類する方法や、転送学習を使用してカスタマイズされた 分類ネットワークを学習させる方法について学びます。

• 事前学習済みのネットワーク
• イメージの前処理
• 一連のイメージの管理
• 転移学習

ネットワークの動作の解釈

学習目標: ネットワークを通過するイメージデータを視覚化することで、ネットワークの動作状況を把握できます。 この章ではこの手法をさまざまな種類のイメージに適用する方法について学びます。

• CNN での活性化
• 特徴の抽出
• 機械学習

ネットワークの作成

学習目標: 畳み込みネットワークを最初から構築します。 この章ではネットワークのレイヤ間で情報がどのように渡されるか、および各レイヤがどのように機能するかを理解します。

• 層の作成と層の組み立て
• 2 次元畳み込み
• フィルターの表示と使用
• 有向非循環グラフ (DAG) ネットワーク

2日目

ネットワークの学習とパフォーマンスの改善

学習目標: 学習アルゴリズムがどのように機能するかを理解し、学習を監視および制御するための学習オプションについて学びます。また、ネットワークパフォーマンスを向上させるために、学習アルゴリズムのオプション、ネットワークアーキテクチャまたは、 学習データを変更する方法について学びます。

• ネットワークの学習
• 学習の進行状況の監視
• 学習オプションの調整
• 検証
• イメージの拡張
• ディープラーニングの実験の実施

イメージ回帰の実行

学習目標: 連続的な数値応答を予測できる畳み込みネットワークを作成する方法について学びます。

• 回帰のためのディープラーニング
• 回帰ネットワークの評価

ディープラーニングによるコンピューター ビジョン

学習目標: ネットワークを学習させ、イメージ内の特定のオブジェクトを検索し、ラベルを付けする方法について学びます。

• イメージ分野の問題における一般的なワークフロー
• グラウンド トゥルース
• セマンティック セグメンテーション
• パフォーマンスの評価

シーケンス データの分類と予測

学習目標: 時系列データやセンサーデータなどの順序付けられた一連のデータを分類するためのネットワークを構築し、学習する方法について学びます。また、リカレントネットワークを使ってシーケンスを予測する方法について学びます。

• 長短期記憶ネットワーク
• シーケンス データの構造化
• sequence-to-sequence 分類
• シーケンスの予測