機械学習

ディープラーニングの初心者が読むべき厳選3冊の入門本。ディーラプラーニグ(深層学習)を本で勉強するならこの3冊がオススメ。

  • このエントリーをはてなブックマークに追加

ここ近年の第三次人工知能ブームの牽引者とも言える「ディープラーニング(深層学習)」。ニュースなどでは「人工知能」と一括りにまとめられていることも多いですが、その多くの内実は「機械学習」や、さらにはこの「ディープラーニング」の技術が使われていることがほとんどです。

本記事では、ディープラーニングの簡単な概念や種類、さらには、これからディープラーニングを勉強しようと考えているエンジニアさんに向けた、ディープラーニングのおすすめ入門書3冊をご紹介させていただきます。

【ディープラーニングを学ぶ前に】
本題に入る前にですが、ディープラーニングは「機械学習」に属します。ですので、一から人工知能の世界へ入ろうと考えている方は、まずは機械学習から勉強を始めることをオススメいたします。(参考:機械学習でオススメの入門本厳選3冊

ディープラーニングと機械学習は違うの?

ニュースなどでもよく耳にするディープラーニングですが、そもそもディープラーニングと機械学習は何が違うのでしょうか?ディープラーニングですが、日本語ですと「深層学習」と呼ばれています。機械学習とディープラーニングを全く異なるものとお考えの方も多いのですが、本質的なところから言うと、「機械学習」と言うカテゴリの中に「ディープラーニング」は属する形となります。下記図を見ていただくと解りやすいかと思いますが、機械学習の中の一つの「手法」として、ディープラーニングがあります。

機械学習には様々なアルゴリズムや手法が存在しています。例えば、敷地面積と築年数で家賃の予測をする際には「線形回帰」と言う手法が用いられたり、従業員の評価と給料から退職するかどうかを予測する場合には「ロジスティック回帰」と言う手法が用いられたりします。

ディープラーニングも、本質的にはこの「線形回帰」や「ロジスティック回帰」と同様で、機械学習という分野の中の一つの手法なのです。

ディープラーニングとは?

前述した通りディープラーニグは機械学習に属する手法の一つですが、そもそも、どのような手法なんでしょうか?これを詳しく論じるには、非常に膨大な説明が必要となり、それこそ本一冊の内容となってしまいますので、ここでは簡単な概要説明とさせていだきます。(参照:人工知能の作り方とは?

端的に表すと、「ディープラーニング(深層学習)とは人間や動物の脳神経回路をモデルとしたアルゴリズム」です。何か、言葉にしてみると近未来感を感じますね。従来の機械学習の手法との一番大きな特徴として、「十分なデータ量があれば、機会が自動的にデータから特徴量を抽出をしてくれる」という特徴があります。

また、従来の機械学習では、インプットするデータ量と予測精度がある程度の水準に達すると、それ以上に多くのデータ量をインプットしても、精度が改善するのは非常に難しいのですが、ディープラーニングではインプットするデータの量が増えれば増えるほど、その精度が機械学習と比べて改善しやすいといった特徴もあります。

機械学習とディープラーニングの違いについて 引用:https://www.upwork.com/hiring/for-clients/log-analytics-deep-learning-machine-learning/

ディープラーニングには様々な種類があります

冒頭から「ディープラーニング」という言葉を頻繁に使っていますが、実はディープラーニングと一言でいっても、様々な種類のアルゴリズムがあります。それぞれのアルゴリズムにより得意分野が異なりますので、実際にディープラーニングを学ぼうと考えている際に、どのアルゴリズムを集中的に勉強すれば良いのかを最初から考えておくと良いかと思います。

多数の種類があるディープラーニングですが、ここでは特に一般的な3つのアルゴリズムについて見ていましょう。

CNN(畳み込みニューラルネットワーク / Convolutional Neural Network)

主に画像認識などで利用されるディープラーニングのアルゴリズムの一つです。英語の読み方は「コンボリューショナル・ニューラル・ネットワーク」で、日本だとCNNと略されたり、畳み込みニューラルネットと呼ばれています。

RNN(再帰型ニューラルネットーワーク / Recurrent Neural Network)

RNNは音声や動画データなどで頻繁に使われるアルゴリズムです。英語の読み方は「リカーレント・ニューラル・ネトワーク」で、上記の通りRNNと略されるのが一般的です。

LSTM(Long Short-Term Memory)

上記のRNNでは、長期の時系列データを扱うのが得意ではありませんでしたが、その弱点を克服したアルゴリズムが「LSTM(エル・エス・ティー・エム)」です。LSTMですが、特に自然言語処理に応用されることが多く、現在Google Voiceの基盤技術としても利用されていると言われています。

上記はあくまでディープラーニングの一部分となります。様々な種類のアルゴリズムの概念、使い方を理解しておくことで、より実用的かつ精度の高いディープラーニングに活用が可能です。ただし、これからディープラーニングを学ぼうと考えているのであれば、ディープラーニングの全体の概要を学んで、そのあとは、自分の業種に応じて、専門とするアルゴリズムなどに集中して勉強されると良いかと思います。(例えば、もしあなたが製造系の会社のエンジニアをされているのであれば、ライン製造場での画像により異常検知を業務で必要な知識と考えてCNNを特に集中して勉強するなどです)

さて、次はこのディープラーニングを1から学ぶのにオススメする三冊の入門書をご紹介させていただきます。前述していますが、ディープラーニングを勉強する前に機械学習を先に学びましょう。まだ機械学習の勉強をされたことがない方は、こちらの機械学習入門書3冊で学習を初めてみましょう。

【初めての一冊はこれ】 初めてのTensorFlow 数式なしのディープラーニング

深層学習おすすめ書籍 その1 概要

金額:¥2,376円
著者:足立 悠
購入:Amazonで購入はこちら

機械学習の簡単な概要が理解できて、次はディープラーニングに広げてみようとお考えたの方にオススメの最初の一冊がこちらの「初めてのTensorFlow 数式なしのディープラーニング」です。こちらのを本ですが、ディープラーニングの入門書としてオススメする理由が二つあります。

オススメの理由一つ目ですが、機械学習同様にディープラーニングを勉強する際の障壁の一つとして、理論を理解するた目に多数の数式が用いられます。理系出身のエンジニアの方であれば、すでに学んだ内容ですので、簡単な復習をすれば難なく越えられる壁ではありますが・・文系出身の方や、理系でも数学が得意ではない方にとっては非常に大きな壁となります。その難解な数式を、本書では非常に丁寧かつ数式を極力使わずに説明がされています。

また、オススメの理由二つ目として、ディープラーニングのライブラリ「TensorFlow」の初歩的な説明もカバーしている点です。TensorFlow(テンソル・フロー)とは、Googleがが開発しているディープラーニングのフレームワークで、熟練の機械学習エンジニアでも活用する非常に有名なフレームワークです。おそらくディープラーニング実装にあたって、世界中でもっとも使われているフレームワークと言っても過言ではないかと思います。(そのようなデータはありませんが)

さらに、本書ではこのTensorFlowと完全な互換性があるTFLearnというライブラリを利用します。TFLearn自体は、実際の業務で使うことはほとんど無いかと思いますが、初心者がディープラーニングを学ぶのであれば、最適なライブラリです。

これから1でディープラーニングを勉強したい方、またはすでに深層学習の入門書を購入したけど、数学があまりにも何回でいまいち意味が分からなかった方は、是非こちらの書籍を「最初の一冊」としてオススメいたします。

【初心者の二冊目はこちら】 詳解 ディープラーニング ~TensorFlow・Kerasによる時系列データ処理

深層学習おすすめ書籍 その2 概要

金額:¥3,672円
著者:巣籠 悠輔
購入:Amazonで購入はこちら

最初の一冊目でディープラーニングの大枠が理解できたら、より実務よりな内容をマスターしていきたいですよね?ディープラーニング学習の2冊目としてオススメなのが、「詳解 ディープラーニング ~TensorFlow・Kerasによる時系列データ処理」です。

すでに前述しましたが、本書では、Googleが開発したディープラーニグのフレームワーク「TensorFlow」に加えて、TensorFlowの上部で動作することが可能なフレームワーク「Keras(ケラス)」を利用しています。Kerasですが、ニューラルネットワークを最小限かつ拡張可能な形で実装ができる、非常に人気の高いフレームワークの一つです。事実、Kaggle(カグル – データサイエンティストの世界最大級のコミュニティー )のコンペ上位でも、KerasやTensorFlowが多数使われていることが多いです。

また、本書の特徴の一つとして、時系列データ処理を中心に説明がされており、RNN(リカレント・ニューラル・ネットワーク)が中心となります。多くのディープラーニング入門書では、CNN(畳み込みニューラルネットワーク)で画像処理の扱いの説明が多いので、RNNを太くカバーしている点は非常に有益かと思います。

また、書籍内でコード例が豊富なのも評価が高い理由かと思います。1冊目と重複する部分はいくつかありますが、よりニューラルネットワークの詳しい部分へ踏み込めますので、2冊目の勉強としては適しているかと思います!

【目指せ脱初心者への三冊目】ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

深層学習おすすめ書籍 その3 概要

金額:¥3,672円
著者:斎藤 康毅
購入:Amazonで購入はこちら

さて、一冊目と二冊目をクリアできた方は、次はより本格的なニューラルネットワークへ入りましょう。この三冊目ですが、Amazonでの説明見出しが「ディープラーニングの本格的な入門書」と付けられている通り、入門書の範囲ではありますが、よりディープラーニングの原理を深く理解できるかと思います。

本書の最大の特徴は、外部の既製品(つまりライブラリやフレームワークなどのツール)には頼らず、まさに本書タイトり通りの「ゼロ」からディープラーニングを構築することです。1冊目、2冊目ではTensorFlowやKerasなどのフレームワークを利用してディープラーニングを構築する流れでしたが、この3冊目は、スクラップでディープラーニングのアルゴリズムを含めてコーディングしていく内容です。

入門書と書いてありますが、いきなり最初の一冊目でこちらの本を読まれると、かなりハードルが高いかと思います。また、前述の2冊と内容が重複する部分も少なからずありますので、そのような部分は読み飛ばしても問題ないかと思います。

まとめ

いかがでしたでしょうか?機械学習のオススメ入門書に次いで、本書ではディープラーニングの入門書をまとめてみました。また、これから機械学習・ディープラーニングの世界へ飛び込もうとお考えでしたら、「人工知能の作り方とは?エンジニアが人工知能(AI)を作り始める前に知っておくべき3つの事」や「なぜ機械学習にPythonが使われるのか?機械学習でPythonが使われる4つの理由」の記事も参考になるかと思います。

以上、「ディープラーニングの初心者が読むべき厳選3冊の入門本。ディーラプラーニグ(深層学習)を本で勉強するならこの3冊がオススメ。」でした。

  • このエントリーをはてなブックマークに追加

時代遅れと言われる前に・・・

人工知能エンジニアへスキルアップをしませんか?コデクサでは、機械学習を全く触ったことのない初心者を対象に、機械学習の初歩を学べるコンテンツを配信しています。

世界中で機械学習を扱えるエンジニアの人材獲得が過熱しており、機械学習の普及が進んでいるアメリカでは、機械学習の平均年収は約1350万円とも言われています(米Glassdoor調べ)。

機械学習エンジニアへキャリアアップをしましょう!

今すぐ無料講座を受講する

コメントを残す

*

CAPTCHA