プーリング プーリングの概念 プーリングの実装（Python） 結果比較 ドロップアウト ドロップアウトの概念 ドロップアウトの実装（Python）

前回までの ニューラルネットワークにおける入力情報 空間フィルターと畳み込み演算 空間フィルター パディング フィルターの実装 データ準備 フィルター処理の実装 畳み込みニューラルネットワーク（CNN）の実装 出力結果の確認

前回までの 活性化関数の検討 ReLu活性化関数 勾配消失問題 KerasにおけるReLU関数の適用 実装 結果の比較 中間層の数を増やしてみる

MNISTデータベース MNIST データの取得 データ構造の確認 2層フィードフォワードネットワークモデルの実装 データの整形 ニューラルネットワークモデルの定義 学習の実行 経過の表示

事前準備 データ準備 データ表示 前回実装部分 シグモイド関数 ニューラルネットワークモデル 平均交差エントロピー誤差 誤差逆伝搬法による実装 解析的微分の実装（dCE_FNN） 勾配法による最適パラメータの導出（Fit_FNN） 分類の実施

誤差逆伝搬法（バックプロパゲーション） 誤差逆伝搬法とは 平均交差エントロピー誤差を定義 出力層の偏微分式を求める ∂E/∂aの導出 ∂a/∂vの導出 ∂Ｅ/∂vの導出 中間層の偏微分式を求める ∂E/∂bの導出 ∂b/∂ｗの導出 ∂Ｅ/∂ｗの導出

前回までの流れ ニューラルネットワークの適切な重みを設定するには 平均交差エントロピー誤差 数値微分の導入 数値微分の実装 勾配法の実装 ニューラルネットワークモデルによる分類

前回考えたニューラルネットワークモデルをPythonで実装することによりイメージをつかみます。 イメージ概要 データの準備の実装 データの説明 データの保存 訓練データとテストデータに分割 データのプロット ニューラルネットワークの実装 シグモイド関数…

今回から名前はよくきくディープラーニングに入ります。 まずはイメージをつかむところから。 pythonによる実装には入れませんでしたが、今後、pythonによる実装を行う予定です。 ディープラーニング（深層学習） ニューロンモデル ニュートラルネットワーク…