はじめに
第1章　本書の概要と準備
1.1　本書の概要
　1.1.1　ディープラーニングの成果
　1.1.2　本書で学習する内容―画像のクラス分類、物体検出、強化学習
　1.1.3　本書で扱う手法―学習済みモデルの利用
1.2　使用するデータセット
1.3　使用する機材とソフトウェア
　1.3.1　使用するフレームワーク
　1.3.2　GPU の利用
　1.3.3　使用機材―ゲーム用パソコンを転用
　1.3.4　OS およびミドルウェア
1.4　ソフトウェアのインストール
　1.4.1　OS のインストール
　1.4.2　ミドルウェアのインストール
1.5　プログラムのダウンロード
　1.5.1　ダウンロードファイル
　1.5.2　ダウンロードファイルの解凍
第2章　ネットワークの構成
2.1　順伝播型ネットワーク
　2.1.1　全結合ニューラルネットワーク
　2.1.2　畳み込みニューラルネットワーク
2.2　畳み込みニューラルネットワーク
　2.2.1　畳み込み層
　2.2.2　プーリング層
　2.2.3　アップサンプリング層
2.3　本書で使用するネットワークのパターン
第3章　基本用語
3.1　ディープラーニングの処理概要
3.2　活性化関数
3.3　損失関数
3.4　確率的勾配降下法
　3.4.1　重み更新の計算例
　3.4.2　モメンタム
3.5　誤差逆伝播法
3.6　過学習
　3.6.1　バリデーションデータセットを使ったエポック数の決定
　3.6.2　正則化
　3.6.3　ドロップアウト
3.7　データ拡張と前処理
3.8　学習済みモデル
3.9　学習係数の調整
第4章　画像のクラス分類
4.1　概要
4.2　共通データの作成
　4.2.1　画像データセットのダウンロード
　4.2.2　データの抽出と基本データセットの作成
　4.2.3　データ拡張と共通データセットの作成
4.3　9 層のネットワークでクラス分類
　4.3.1　ネットワークの概要
　4.3.2　学習とモデルの作成
　4.3.3　モデルの読み込みと推測の実行
　4.3.4　実行例
4.4　VGG-16 でクラス分類―16 層の学習済みモデル
　4.4.1　VGG-16 の概要
　4.4.2　プログラムの概要.
　4.4.3　実行例
4.5　ResNet-152 でクラス分類―152 層の学習済みモデル
　4.5.1　ResNet の概要
　4.5.2　実行環境のインストール
　4.5.3　プログラムの概要
　4.5.4　実行例
4.6　推測精度のさらなる向上
　4.6.1　概要
　4.6.2　複数モデルの利用
　4.6.3　Stacked Generalization
　4.6.4　Self Training
第5章　物体検出
5.1　物体の位置を検出―26 層のネットワーク
　5.1.1　物体の位置・大きさ・種類の推測
　5.1.2　使用するソフトウェアとその特徴
　5.1.3　実行環境のインストール
　5.1.4　学習済みモデルを用いて物体検出
　5.1.5　オブジェクトを学習して物体検出
5.2　物体の形状を検出―23 層のネットワーク
　5.2.1　物体の位置・大きさ・形状の推測
　5.2.2　使用するモデルとその特徴
　5.2.3　プログラムの概要
　5.2.4　実行例
第6章　強化学習―三目並べに強いコンピュータを育てる
6.1　強化学習
　6.1.1　強化学習とは
　6.1.2　Q 学習
　6.1.3　DQN
6.2　基本的な枠組み
　6.2.1　環境とエージェント
　6.2.2　処理の概要
　6.2.3　環境内のルール
6.3　実行環境のインストール
6.4　Q 学習とディープラーニング
6.5　実行例
付 録
付録A　Yolo 用「オブジェクトの位置情報」の作成方法
　A.1　BBox-Label-Tool のインストール
　A.2　「オブジェクトの位置情報」の作成
付録B　ソースリスト
COLUMN
全結合層と畳み込み層の違い
勾配消失問題とReLU
VGG-16 の作成経緯
ベイズと半教師あり学習