どうも、カタミチです。
「最短コースでわかる ディープラーニングの数学」のひとり読書会。今日も「1章：機械学習入門」です。1-4からですね。行ってみよ〜
1-4. 本書で取り扱う機械学習モデル
この節の冒頭に、ディープラーニングは「分類型」の利用例が多くなる。とありました。そういえば、G検定の勉強をしているとき、ディープラーニングが使われている用途が「回帰型」なのか「分類型」なのかって、あまり意識していませんでした。確かに、少なくともILSVRCで競われているような「この画像に何が写ってるのか？」というのは分類問題ですね。
ということで、ここから先は「分類モデル」の話に絞られるようです。AI→機械学習→教師あり学習→分類問題という感じで、だいぶ的が絞られて来ましたねー。ちなみに、回帰型の方が分類型より数学的にやさしいそうです。へー。
分類モデルとして代表的なモデルが6つ紹介されていました。その中でひとつだけ、G検定の勉強で出てこなかったものがあります。それは「単純ベイズ」。ベイズって名前からして、統計学寄りのモデルな感じですかねー。本書でこのあと詳細は出てこないっぽい雰囲気なので、機会を見て勉強してみますかねー（メモメモ）。
また、実践編で出てくるロジスティック回帰、ニューラルネットワーク、ディープラーニングに共通する構造の話がありました。
入力値に重みを掛けて和をとったものに活性化関数を噛ませて予想値を出し、損失関数で評価した上で勾配降下法で重みを補正する…を繰り返して最適化する。
はい、ここは大丈夫です。しかし、ロジスティック回帰にも共通していたとは知りませんでした。ふむふむ。
1-5. 機械学習・ディープラーニングにおける数学の必要性
この節は、予告ですね。
シグモイド関数、予測関数、損失関数の式が示されており、数式に拒絶反応がある頃であれば卒倒していた感じの記号どもが並んでいます。
まぁ、個人的にはこの本を手に取った時点で数学の必要性を痛感しているので、必要性は理解してるぜ！と親指を立てました（虚空に向かって）。
1-6. 本書の構成
さて、1章最後の節です。この節は、この本のいわばワールドマップの説明ですね。
基本的には「はじめに」で書いてあったことを復唱している感じですが、ポイントとしては…
- 理論編で数学の理論を説明するけど、最低限何が分かっていればディープラーニングを理解できるところまでたどり着けるか？を主眼としているので学校の教科書的な観点では抜けがある
- 実践編はアルゴリズムと実装コードで語る。後半に行くほど難しくなる。NumPyのテクニックも重要なので必要のたび解説
って感じですかねー。
また、章同士・節同士の関係性を示した図も貼られていました。これについては、章をひととおり終えた時や、行き詰まった時などに時々戻ってきてワールドマップとして使用していこうと思います！
ということで
これにて無事に、導入編をクリアしました。数学的なところはまだこれからですが、いくつか気づきももらえました。
次は理論編ということで、いよいよ数式がワラワラ出てきますかね〜。楽しみです（^-^）
