Deep Learning に至っては物を判別できる理由すら説明できていない Deep Learning は突然現われたわけでなく人工知能の数々の挫折から生み出された技術である本稿では前半は統計学と人工知能の歴史さらに Deep Learning の衝撃を述べ後半は手書き数字を解読する D

Size: px

Start display at page:

Download "Deep Learning に至っては物を判別できる理由すら説明できていない Deep Learning は突然現われたわけでなく人工知能の数々の挫折から生み出された技術である本稿では前半は統計学と人工知能の歴史さらに Deep Learning の衝撃を述べ後半は手書き数字を解読する D"

いつややまのかみしゃ
5 years ago
Views:

1 特集ビッグデータの利活用 Deep Learning 入門小野潔概要近年注目されている Deep Learning は突然現われたわけでなく人工知能の数々の挫折から生み出された技術である Deep Learning はパターン認識を自動学習で行う 5 ~ 30 層から構成されるニューラルネットである機械学習のアルゴリズムの中には数学で証明されていないものもあり Deep Learning に至っては物を判別できる理由すら満足に説明できていない手書き数字のパターン認識は Deep Learning の一つである Auto Encoder で実現できる Deep Learning の転移学習は基礎研究なしで応用研究への転用やシステムに取り込むことができるインテックでは特定分野のキャスティングボートを握るため Deep Learning 転移学習の可能性を探っている 1. はじめに近年注目されている Deep Learning( 深層学習 ) はニューラルネットワークという脳の仕組みをヒントにした人工知能 (Artificial Intelligence) の一分野である Deep Learning はまだ理論が解明されていないのに関わらず画像認識 / パターン認識 [1] の分野では既存の分析手法を凌駕したさらに今年囲碁の世界チャンピオンに勝ち世界を驚かせた Deep Learning は機械学習によるモデリングを行うため本稿では機械学習から説明する機械学習は人の学習能力と同等の機能をコンピューターで実現しようとする人工知能の技術であるデータベースや Web からサンプルデータを採取し有用なパターンルール知識表現判断基準を抽出する機械学習はデータを解析するため統計学との関連が深く両者は補完し合う関係である差異を簡単に言えば統計学は分布を仮定し少数サンプリングに基づきエレガントな数式で表現することを目指すそれに対して機械学習は分布を仮定しない代わりに大量データからビジネスに役に立つモデルを目指すと言えるまた機械学習のアルゴリズムの中には数学で証明されていないものもあり後から証明されるケースも少なくない 28

2 Deep Learning に至っては物を判別できる理由すら説明できていない Deep Learning は突然現われたわけでなく人工知能の数々の挫折から生み出された技術である本稿では前半は統計学と人工知能の歴史さらに Deep Learning の衝撃を述べ後半は手書き数字を解読する Deep Learning のアーキテクチャーとその実装法を紹介する本稿は深層学習やニューラルネットワークの動向を SE / プログラマー向けにテクニカルでわかりやすい解説を目指した [2] 最初に近代統計学と人工知能の歴史を表 1に示す近代統計学は19 世紀後半にゴルトンが生物統計学を形づくりピアソンが記述統計学を大成させ 20 世紀初めにフィッシャーが仮説検定法を編み出した推計統計学から始まる表 1に記載がないベイズ統計学は近代統計学より古く18 世紀半ばに既に発表されたが従来の統計学とは対立したベイズ統計学は新たに取得した情報によって確率の更新を認めているため人工知能制御理論統計物理学等の応用分野では基礎数学である一方第一次 AI ブームは世界初のコンピューター E N I A C ( 1946) が完成した僅か 10 年後の 1950 年代から始まるこの時代では既に機械学習の基礎原理となるニューラルネットワーク遺伝子アルゴリズム決定木等の元アルゴリズムが発表されたしかし1970 年初頭に当時の人工知能では現実問題を解けないことがわかり最初の A I の冬の時代を迎える 1980 年代には通産省が第 5 世代コンピュータープロジェクトを発足させ第二次 AIブームの幕開けとなる専門家の知識をルールベースとしルール推論を行うエキスパートシステムが全盛期を迎えたこれも1990 年頃になると専門家からのルール取得 / 保守が困難であることが判明し第 5 世代コンピュータープロジェクトも大きな成果を残さずに終息した 2010 年頃から IBM の WatsonとDeep Learning がきっかけとなり第三次 A Iブームは始まった特に Deep Learning は技術イノベーションにつながる可能性を大きく秘めており世界の IT 企業が巨額の資金を投資し A I 研究所を次々と設立した (Google は6 億ドルで Deep Mind 社 (2013) を買収中国検索サイトの百度 (Baidu) はシリコンバレーに 3 億ドルの予算で Deep Learning の研究所 ( 2013 ) を設立 ) 表 1 近代統計学と人工知能の歴史西暦分野イベント / 人物 / 企業内容第 17 号 2016 特集2. 人工知能のブームと挫折の歴史 1877 年 1896 年 1904 年 1935 年 1936 年 1938 年 1938 年 1946 年統計統計統計統計統計統計統計コンピュータゴルトンピアソンスピアマンフィッシャーマハラノビッシュサーストンフィッシャー IBM 回帰分析の概念確立相関係数因子分析実験計画法判別分析因子分析コレスポンデンス分析世界初のコンピューター ENIAC (1956 ~ 探索推論問題の解法 ( 定理証明 (1957) 人工知能第一次 AIブーム 1960 年代 ) 遺伝子アルゴリズム ( )) 1956 年 1958 年 1962 年 1963 年 1964 年 1967 年 1970 年人工知能ニューロ統計統計統計ニューロ人工知能統計統計統計ダートマスワークショップローゼンブラットカイザーラオトーガソンミンスキーモーガンソンキストルースターキーマックイーンヨレスコグ初めて人工知能 (Artificial Intelligence) という言葉が出現パーセプトロンを発表 ( ニューラルネットワークの最初のニューロンモデル ) 因子のバリマックス回転成長曲線モデル多次元尺度法パーセプトロンは線形分離しか適用できないことを指摘 A I D 回帰木コンジョイント分析 K- 平均クラスター共分散構造分析 1970 年代人工知能 AIの冬の時代到来機械翻訳絶望現実問題がとけず 1972 年 1973 年 1975 年統計人工知能人工知能コックススタンフォード大学ホランド生存時間分析 MYCIN( マイシン ) エキスパートシステムの開発遺伝的アルゴリズム知識工学の時代 1980 年代人工知能第二次 AIブームエキスパートシステム自然言語画像音声理解システム 1982~ 年人工知能ニューロ通産省コホーネン第 5 世代コンピュータープロジェクト (1981 年 ) に570 億円自己組織化マップ 1986 年ニューロラメルハートニューラルネットワークの中間層以降を学習させる誤差逆伝播法を発表マクレランドヒントンニューラルネットワークで非線形分離問題も解くことが可能にニューロニューロ 1990 年代人工知能ホップフィールドコホーネン再びAIの冬の時代到来ニューラルネットワークによる最適化問題と連想記憶モデルを発表ニューラルネットワークによる自己組織化マップを発表知識 ( ルール ) 取得と維持が困難 1992 年 1997 年 2000 年 2006 年人工知能ゲーム統計ニューロヴァプニック IBM パールヒントンサポートベクターマシンは最強のパターン認識モデル分類器にも適用可 IBMのディープブルーがチェスの世界チャンピオンに勝越しグラフィカルモデリングオートエンコーダー ( 自己符号化器 ) を発表 Deep Learningの発端 2010 年 ~ 自己学習表現の時代人工知能第三次 AIブーム現在ビックデータ出現 Web 広がり DeepLearningの発見 2010 年 2011 年ゲーム人工知能 IBM あから 2010 が将棋の女流棋士に勝利質問応答システム Watson が米国クイズ番組 J e o p a r d y ( ジェパディ ) でクイズ王に勝利 2012 年ニューロ大規模画像認識 DeepLearning がコンペティションで圧勝コンテスト (ILSVRC) ( 以後 3 年連続優勝 ) 2013 年 2014 年ニューロニューロニューロニューロ Google ニューヨークタイムズ誌 Facebook Google トロント大学ヒントン教授と学生の会社を買収トップ記事でグーグル猫を掲載ニューヨーク大学のヤン教授を所長に招き人工知能研究所を設立 Deep Mind Technologies( 英国 ) を6 億ドルで買収ニューロ B a i d u( 中国 ) スタンフォード大学のアンドリュー教授を所長に迎えてシリコンバレーに Deep Learning の研究所を開設 (3 億ドルの研究予算 ) ニューロ Facebook 人工知能のVicarious 社に4,000 万ドルの投資人工知能ドワンゴリクルート日本の各社が相次いでAI 研究所設立人工知能ロシアの AI Eugene( ユージーン ) 君 13 歳がチューリングテストに合格 2016 年ゲーム Google AlphaGoが囲碁の世界チャンピオンに勝越し 2045 年頃人工知能 AIが人類を越す年シンギュラリティ ( 技術的特異点 ) 29

3. Deep Learning( 深層学習 ) の登場 Deep Learning は2012 年に開催された一般物体認識のコンテスト (ILSVRC [3]) でトロント大学 Hinton 教授が他のグループに比べて誤識別率が10% 以上低い値となる大差で優勝しその高精度が注目されたそして Deep Learning を一躍世間に名を知らしめたのは Google 猫 [4] である

人の体の写真に反応するニューロンが生成できた使用 CPU パ 1980 年代のニューラルネットワークは 1~2 層で構成されるのに対して Deep Learning は5~30 の深層で構成され入力 / 出力層も 10~30 個から 500~5000 個のユニット数に拡大された Deep Learning は従来の統計学や機械学習と全く相違する特徴を有する

3 3. Deep Learning( 深層学習 ) の登場 Deep Learning は2012 年に開催された一般物体認識のコンテスト (ILSVRC [3]) でトロント大学 Hinton 教授が他のグループに比べて誤識別率が10% 以上低い値となる大差で優勝しその高精度が注目されたそして Deep Learning を一躍世間に名を知らしめたのは Google 猫 [4] である 2012 年 6 月 Google は人間がプログラムすることなくコンピューター自身で猫を認識できたと発表した YouTube 動画からランダムに p i x c e l の画像を 1, 000 万枚 ( 人の顔猫 ) 集め 9 階層を有するネットワークで 1, 000 台 ( 16, 000 コア ) のコンピューターで3 日かけて学習させたその結果人の顔猫の顔人の体の写真に反応するニューロンが生成できた使用 CPU パ 1980 年代のニューラルネットワークは 1~2 層で構成されるのに対して Deep Learning は5~30 の深層で構成され入力 / 出力層も 10~30 個から 500~5000 個のユニット数に拡大された Deep Learning は従来の統計学や機械学習と全く相違する特徴を有する従来のデータ分析はあらかじめ人が考えて組込んでいたが Deep Learning はコンピューター自らデータから特徴を突き止める ( 完全自律型学習 ) また従来の分析では準備段階でデータクリーニングが欠かせなかったが Deep Learning は生データから特徴抽出と識別を行う ( 図 1) さらに利用するほどに自己教示学習 (Self-Taught Learning) を続け未知データもコンピューター自らパターンを学習する課題は長い学習時間 ( 数日間 ) や大量のパラメータである Google 猫の深層ネットのパラメータ数は数十億個と言われるワーを 1990 年頃の水準に直せば 6,000 年以上の学習期間を要すると言われている 4. AlphaGo( アルファ碁 ) の衝撃 2014 年 Google が 6 億ドルでベンチャー企業の Deep Deep Learning Mind 社を傘下に収めた翌年 Deep Mind 社は Deep 自力でデータの特徴を抽出大量写真 Q-Network(DQN) という Deep Learning と強化学習を組み合せた新しい機械学習を発表したこの機械学習の能力は凄まじく TV ゲームを学習させると数時間で人よりも強くなるこの技術を AlphaGo に適用し囲碁の世界チャンピオンに勝利するという人工知能の歴史に残る偉業を成し遂げた生データの圧縮を繰り返して複雑な特徴を抽出学習する AlphaGo の開発ではプロの 3,000 万種類の打ち手を見せて学習させ対戦する人間の動きを 57% の確率で予測できるようにしたそれ以上の棋譜がないため AlphaGo に自己対戦を数百万回繰り返させた AlphaGo は経験を重ねる中で徐々に人間の直観を身に着けたと言われる犬の特徴を自動抽出写真と同じでなくても判別できます左に犬右に猫がいます猫の特徴を自動抽出 5. Deep Learning のアーキテクチャー [5] ニューラルネットワークの原型は 1969 年代に研究されたパーセプトロンという単純なニューロンモデルである ( 図 2) このモデルは線形判別しかできないことが後日証明された 1980 年代に単純パーセプトロンを階層的に組み合わせたニューラル DeepLearning が見つけた特徴を使って判別ネットワークが開発されたニューラルネットワークは入力層隠れ層 ( 中間層 ) 出力層のアーキテクチャーを有しネットワークを形成する多数のニューロンの重みを変化させることで非線形関数を近似できる各ニューロンの重みを解くために誤図 1 Deep Learning の特徴抽出差逆伝播法 (Backpropagation) が開発されたこれは得られ 30

4 第 17 号 2016 特Input Output Input Output Input Hidden Hidden Hidden Output 閾値結合荷重ニューロンモデル 3 層ニューラルネットワーク多層ニューラルネットワーク線形判別単純な非線形判別複雑な非線形判別可能 3 層以上は簡単に解けない DeepLearning 登場図 2 ニューロンモデルからニューラルネットワークへの進化る出力誤差を小さくする方向にパラメータを上層から下層へフィードバックする方法であるしかし誤差逆伝播法は層を通る過程で誤差が分散され入力層に近い層のパラメータが更新されづらく複雑な非線形関数の生成ができないこの点を改善したのが Deep Learning である本章では Deep Learning の特徴抽出を説明するため Deep Learning の初期モデルの一つである Auto Encoder( 自己符号器 ) の実装を紹介する手書き数字の判別は統計学の主成分分析が用いられるが主成分分析は線形の次元圧縮 Auto Encoder は非線形の次元圧縮を行う Auto Encoder は入力層と出力層に同じニューロン数しかも入力層と出力層を同じ数値を入れて教師なし学習 (1) を行うニューラルネットワークである入力層と出力層に同じ手書データを入れるところが Auto Encoder のミソである実は入力層と出力層を同じ数値にするとニューロン数が少ない隠れ層で情報圧縮が起き特徴が蓄積される図 3では入力層 (5ニューロン ) の情報圧縮した値が隠れ層 (2 ニューロン ) に生成される隠れ層が2 層以上あると誤差逆伝播法で述べたとおりに最適解に収束する保証はないそのため Deep Learning では前準備で各ユニットのパラメータ等の初期値の計算を行うことで解決した 2 層以上の場合 Deep Learning はまず隠れ層 1 層だけ作り次に出力層を取り除き隠れ層を入力とみなしもう 1 層積み上げるつまり入力層側から順次 1 層ずつ分離し各層ごとに教師なし学習を反復し単層の Auto Encoder を積み上げる実際のニューロン数は膨大であり Hinton は画像の次元を 2,000 1, と圧縮し ,000 2,000 と復元した Input Hidden encoder ( 圧縮 ) Hidden decoder ( 復元 ) Output 図 3 Auto Encoder の基本アーキテクチャー集31 (1) 教師なし学習は外部から正解データを与えられず機械がデータからパターンを見つける統計学のクラスタリング分析と同じ機能

による手書き数字の判別プログを有するが Stacked Denoising Auto Encoder はノイズ画ラムを説明する手書きの数字の画面データは米標準技術局素の欠損を混ぜたデータを学習させるネットワーク構造は [６] からダウンロードできる手書き数字は２８２８=７８４ピク５階層隠れ層から構成され図５第 1 隠れ層から第３隠れ層セルの画像データ図４① なので

5 6. 手書き数字のデータ 7. Deep Learningの実装本稿の目的の一つは SE プログラマーの方に Deep ここでは Auto Encoder を改良した Stacked Denoising Learning の理論やプログラムの実装法を紹介することである Auto Encoder[７] を紹介する両者は同じアーキテクチャーこの章では Deep Learning による手書き数字の判別プログを有するが Stacked Denoising Auto Encoder はノイズ画ラムを説明する手書きの数字の画面データは米標準技術局素の欠損を混ぜたデータを学習させるネットワーク構造は [６] からダウンロードできる手書き数字は２８２８=７８４ピク５階層隠れ層から構成され図５第 1 隠れ層から第３隠れ層セルの画像データ図４① なので０-７８３のピクセル番号をにあがるにつれて隠れ層のニューロン数は少なくなるここは割り当てる次に２５６階調グレースケールを画面に変換しピ特徴抽出を行う圧縮 (encoder) 部分である逆に第３隠れ層かクセル番号に割り当てることで０-２５５の整数値を取る７８４次ら第５隠れ層にあがるにつれて隠れ層ニューロン数は増加する元ベクトルからなるデータセット ( 図４② ) を作成できる Auto ここは手書き数字の復元する解読部分 decoder であるこ Encoder はこの次元を情報量をできるだけ落とさないように圧の Stacked Denoising Auto Encoder ではノイズ画素の欠縮 ( 削減 ) する損を学習させるので第３層を通過し数字をデコードした際に手書きの数字が補正されるノイズが含まれる手書き数字図５の下の数字が出力されると手書き数字の画像がわずかに明瞭になる図５の上と下の手書き数字を比較 ① pixcel のアドレス番号の割り当て図６に統計言語 SAS で書かれたプログラムを示す [８] Auto Encoder を積み重ねるアーキテクチャーを実現するためにネット層を固定する freeze とネット層を解放する thaw の２種類のコマンドを利用する最初にすべての各層を freeze( 固定 ) させる次に入力層から第１層の隠れ層の ② アドレス番号に白黒 256 階調を代入し 784 次元の特徴ベクトルを作成みを thaw( 解放 ) し学習を行い第１層のニューロンの重み図４手書き数字を784(28 28)次元の特徴ベクトルへ変換ノイズが補正された数字づけを算出する次に第１層の重みを固定し第２層を解放し補正後の手書き数字出力層 784個第５層ニューロン数300個特徴抽出を第３隠れ層のニューロン２個に圧縮するため判別度合を２次元の散布図で確認できる第4層ニューロン数100個第3層ニューロン数2個第2層ニューロン数100個第1層ニューロン数300個入力層ノイズを含む手書き数字補正前の手書き数字図５ Auto Encoder多層ネットと数字修正個図６ SASプログラム

第 17 号 2016 特第 2 層を計算する要は freeze と thaw 繰り返すことで Auto Encoder を積み上げることと同等になる最後にすべての層を解放し各ニューロンの微調整を行えば各ユニットの重みづけが確定する [3] ( 実行環境 ) プログラム : S A S v e r 9.4 OS: Windows 2012 Standard CPU Xeon 2.

6 第 17 号 2016 特第 2 層を計算する要は freeze と thaw 繰り返すことで Auto Encoder を積み上げることと同等になる最後にすべての層を解放し各ニューロンの微調整を行えば各ユニットの重みづけが確定する [3] ( 実行環境 ) プログラム : S A S v e r 9.4 OS: Windows 2012 Standard CPU Xeon 2.70Ghz( 4コア ) メモリ8GB ( 学習比率 ) 学習データ6 万件検証データ1 万件 ( 学習時間 ) 2 日間 8. 手書き数字の判別力 Deep Learning の隠れ層のニューロン 2 個に生成された値を散布図にすると特徴抽出を確認できる図 7は特徴抽出された検証データの手書き数字の散布図である実際は色別で数字の判別を示すが白黒印刷のため実際の数字の分布をおおよそ楕円で囲んだこのプログラムは手書き数字の特徴を抽出しそれに基づいて新しい手書き数字を判別し同時にノイズの補正機能を有すると言える 9. 課題 Deep Learning は画像認識音声認識の分野で他の統計手法とは一桁も相違する精度を有する応用分野は無限に存在し将来は自動車の自動運転技術への応用が期待されているただ Deep Learning を実社会に応用する上で留意点がある Deep Learning は学習結果を人が理解可能な形で取り出すことができないため人工知能が明らかに誤りと思える判断をした場合にもその原因の解析は困難である判別分類の応用には適しやすいが予測ビジネスや医療分野への応用では理由を説明できないことが弱点になる Deep Learning ではユーザーがデータの構造を見極めて適切な層の数や形のアーキテクチャーを設計する必要があるそのため Deep Learning の性能を発揮させるにはモデルに合わせて関数や大量のパラメータを調整しなければならないが隠れ層数やニューロン数の決定は容易でない Google 猫は手書き数字のパターン認識技術の延長線にあるが開発には想像もつかない労力を要する集33 数字 0の手書きは丸印と縦長楕円印の2つに分類されるため左の判定領域は 2 か所存在するまた数字 1, 9, 7 の手書きは類似するため判定領域は隣り合う図 7 手書き数字の判定

7 10. おわりに本稿では2012 年までの Deep Learning の発展のさわりを紹介した実は2013 年以降に膨大な論文が発表され先端企業 (Google, Facebook, 百度等 ) には特許戦争が発生しており現在は理論が混沌としている (2) 最先端の Deep Learning のネットワークを構築するのは巨額な資本投資 ( 百億円単位 ) と優秀な頭脳の集団が必要であるこの数年の世界を巻き込んだ A I ブームは Deep Mind 社をはじめ多くの人工知能研究拠点を設立した日本は出遅れており日本の全拠点を結集しても Google の研究規模には及ばないインテックが Deep Learning 研究を始めたとしてもとても先端企業には太刀打ちできないただ Deep Learning の転移学習 (Transfer Learning) を利用すれば最初からネットワークを構築しなくとも Deep Learning を実用システムに取り込むことができる転移学習は学習済みのネットワークを他のタスクに転用する手法である大量の画像で学習させたネットワークは画像の特徴抽出器としても優秀であり他データで再学習すれば他への転用が容易となる既に先端企業は学習済みのネットワークを利用できるクラウド環境 (3) を提供している [9] インテックは特定分野のキャスティングボートを握るため Deep Learning 転移学習の可能性を探ると共に Deep Learning の権利といった法律の動向にも注目している 34 (2) 本稿は教師なし学習の Auto Enconder を説明したが 2012 年以降は学習効率が良い教師つき学習の畳込みニューラルネットワークがメインであるしかし人が数万の教師あり学習データに答えを割り振る必要があるため最近では少量データの教師あり学習の後に大量データの教師なし学習を行う半教師あり学習が有望視されている (3) 転移学習は大きなビジネス課題を抱えている最初のネットワーク構築には膨大な労力と資本を要するがそれを守る特許権も著作権も存在しないそのため一部の先端企業は学習済みネットワークを自社環境内での利用させ顧客とノウハウの囲い込みを始めている

8 集35 第 17 号 2016 特参考文献 [1] C.M. ビショプ ( 元田浩 ) : パターン認識と機械学習 ( 上下巻 ), 丸善出版,(2012) [2] 小野潔松澤一徳 : SAS による新しい大規模統計学 Ⅰ& Ⅱ, pp , SAS ユーザー総会 2015, SAS Insititute Japan, (2015) [3] Stanford Vision Lab:Large Scale Visual Recognition Challege 2012, ILSVRC2012, 2014/7/2, ( 参照 2016/06) [4] Quoc V.Le, Marc Aurelio Ranzato, Rajat Monga, Matthieu Devin, Kai Chen, Greg S.Carrado, Jeff Dean, Andrew Y.Ng:Building High-level Features Using Large Scale Unsupervised Learning,Research at Google, 2012, google.com/ja// archive/unsupervised_icml2012.pdf, ( 参照 2016/06) [5] 麻生英樹安田宗樹前田新一岡野原大輔岡谷貴之久保陽太郎ボレガラダヌシカ : 深層学習, 近代科学社,(2015) [6] Yann LeCun, Connna Cortes, Christopher J.C.Burges:THE MNIST DATABASE of handwritten digits, The National Institute of Standards and Technology,1998/11, ( 参照 2016/06) [7] Geoffrey E. Hinton, R. R. Salakhutdinov: Reducing the Dimensionality of Data with Neural Networks, Science 313(5786), pp , (2006) [8] Patrick Hall, Jared Dean, llknur Kaynar Kabul, Jorge Silva:An Overview of Machine Learning with SAS Enterprise Miner, SAS Institute Inc., 2014, SAS pdf, ( 参照 2016/06) [9] TensorFlow is an Open Source Software Library for Machine Intelligence, TensorFlow, 2016/5, ( 参照 2016/06) 本論文には他社の社名商号商標および登録商標が含まれます小野潔 ONO Kiyoshi 社会システム戦略事業部社会システムプラットフォーム開発部データ分析モデル構築に従事データサイエンティスト人工知能学会員日本不動産金融工学学会員 SAS ユーザー会世話人 / 論文審査員日本不動産金融工学学会評議員

Slide 1

ハンズオン受講の為の準備講座これから始める人の為のディープラーニング基礎講座村上真奈 NVIDIA CUDA & Deep Learning Solution Architect NVIDIA Corporation 1 機械学習とディープラーニングの関係 AGENDA ディープラーニングとは? ニューラルネットワークの構造ディープラーニングの学習とは畳み込みニューラルネットワーク午後に予定しているハンズオンの為の基礎講座ディープラーニングをこれから始める方を対象に基礎概念や用語の解説を行います