TensorFlow、Keras、PyTorch を扱う 7 つの Jupyter Lab で、ニューラルネットワークの中核となる考え方を学びます。ディープラーニングの概念的な導入から始め、テンソルと計算、回帰モデルの学習、全結合ネットワークの構築、テキスト分類モデルへ進みます。
各フレームワークのガイドと、未完成部分を補う実装演習を組み合わせています。カリフォルニア住宅、手書き数字、IMDB 映画レビュー、合成回帰データを使い、層、損失、オプティマイザー、学習ループ、予測を具体的な文脈で確認します。
学習内容
- ディープラーニングの主要な発展、概念、基本構造を説明する
- TensorFlow のテンソル、Session、計算グラフ、変数、placeholder、行列演算を扱う
- 最小二乗、手動勾配、オプティマイザー、ミニバッチで TensorFlow 回帰を実装する
- 手書き数字データで多層全結合 TensorFlow ネットワークを構築・学習する
- Keras の層、Sequential、Functional API、学習、評価、モデル可視化を調べる
- IMDB レビュー系列を準備し、Keras Sequential の感情分類器を構築する
- PyTorch のテンソル、自動微分、ニューラルネットワークモジュール、オプティマイザーを使う
- 合成データで PyTorch 線形回帰モデルと学習ループを完成させる
このコースの対象者
Python と機械学習の基礎があり、3 つの主要フレームワークがテンソル、層、モデル、学習をどう表現するか比較したい方に向いています。Lab は初級とされていますが、簡潔な Notebook は NumPy 形式の配列、行列演算、損失、最適化コードを追えることを前提にします。フレームワークの基礎であり、現代的な本番運用や高度なディープラーニングのコースではありません。
前提知識： Python、NumPy 形式の配列演算、線形回帰とニューラルネットワークの初歩を推奨します。Jupyter Notebook に慣れていると役立ちます。
学習環境： 7 つの Lab はすべて、用意された Ubuntu 22.04 Jupyter 環境で実行します。Notebook には説明、実行可能な例、完成させるコードセルが含まれます。
よくある質問
3 つすべてのフレームワークでモデルを作りますか？
はい。TensorFlow では線形回帰と多層の数字モデル、Keras では Sequential の IMDB 感情モデル、PyTorch では線形回帰を実装します。各ガイドでは中核となる抽象化も扱います。
Python をまったく知らない初心者にも適していますか？
いいえ。テンソル、行列積、損失、勾配、学習ループへ速く進むため、Python と入門的な機械学習の基礎が重要です。
現在のフレームワーク API を使っていますか？
すべてが現行ではありません。TensorFlow は Session と placeholder など 1.x の形式、Keras は独立した keras パッケージ、PyTorch ガイドは旧式の Variable と CUDA 8/9 の内容を含みます。概念は有用ですが、新規プロジェクトでは現行ドキュメントを併用してください。
どのデータセットと課題が含まれますか？
TensorFlow 回帰にはカリフォルニア住宅、全結合分類には scikit-learn の手書き数字、感情分類には IMDB レビュー、PyTorch 回帰には生成データを使います。
