ニューラルネットワークに関する36の資料：本、記事、最近の研究

ニューラルネットワーク、パターン認識方法、コンピュータービジョン、ディープラーニングについてもっと知りたい場合はどうすればよいですか？ 明らかなオプションの1つは、自分用のコースを見つけて、理論を積極的に研究し、実際の問題を解決することです。 ただし、これには個人的な時間のかなりの部分を割り当てる必要があります。 もう1つの方法があります。「受動的な」知識源になります。自分で文学を選択し、トピックに没頭し、これに1日30分から1時間だけを捧げます。



したがって、私たちと読者の生活を楽にするために、GitHub、Quora、Redditなどのプラットフォームの居住者が読むことをお勧めする、ニューラルネットワークとディープラーニングの方向で、書籍、記事、テキストの短い選択を行いました。 これには、ニューロテクノロジーに精通し始めたばかりの人と、この分野で知識を広げたい、または夕方に「読みやすい」を学びたい同僚の両方のための資料が含まれていました。



/ Flickr / ジュゼッペミ​​ロ / cc

現在のコンテキスト

提案されたリストには、それがどれほど長くても、主要で明確な機能、つまり不完全性があります。 生命は静止していないため、科学的思考と技術の両方が開発されており、多くのタスク定義が説明され、得られた解決策は会議の報告書、雑誌、コレクションに開示されています。 現時点で何が起こっているのか、コミュニティがどのように生きているのかを知りたい人は、関連するイベントの資料-ICMLとNIPSに従うことをお勧めします。

それでも、どこから始めればいいのでしょうか

ニューラルネットワークとディープラーニング

これは、科学者でプログラマーのマイケル・ニールセンによる無料のオンライン本です。 著者は、ニューラルネットワークの深層学習のトピックを明らかにし、「なぜニューラルネットワークをトレーニングするのが難しいのか」、「逆伝播アルゴリズムはどのように機能するのか」などの質問に答えます。





本の著者： タリクラシッド



独自のニューラルネットワークを作成する

この本は、ニューラルネットワークの基礎となる数学的原理を明らかにし、Pythonで独自のニューラルネットワークを書くことを提案しています。 ネットワークは手書きの数字を認識します。 この本の目的は、情報をよりアクセスしやすくするために、読者にニューラルシステムの仕組みを明確に理解させることです。



ニューラルネットワークの簡単な紹介

データ分析と機械学習の専門家であるこの本の著者は、ニューラルネットワークの動作原理を簡単な言語で説明しています。 読んだ後、あなたはあなた自身でニューラルシステムを使い始め、他の誰かのコードを理解することができます。 本は、読者からのフィードバックに基づいて、更新されたバージョンで絶えず改善しています。



統計学習の紹介

この本は、統計トレーニング方法の紹介です。 対象読者-数学および数学以外の専門分野を含む、大学の学生および卒業生。 Rのチュートリアルですべてにアクセスできます。



集団知能のプログラミング

この本は、毎日受け取る情報に基づいて、ユーザーエクスペリエンスと人間の行動を分析する方法を説明しています。 提案されたアルゴリズムには、Webサイトまたはアプリケーションですぐに使用できるコードが付属しています。 各章には、アルゴリズムの強化と改良を目的とする実践的な演習が含まれています。



ニューラルネットワーク：体系的な紹介

人工ニューラルネットワークを作成する一般的な理論。 各章には、例、図、参考文献が含まれています。 この本は、この分野の知識を深めたい人に適していますが、ニューロコンピューティングのコースの基礎としても役立ちます。



深層学習：メソッドとアプリケーション

コアディープラーニング方法論を含むMicrosoft Researchの書籍。 著者は、信号と情報の処理でニューラルネットワークがどのように使用されるかについて話します。 ディープラーニングで既にアクティブなアプリケーションが見つかっている領域と、長期的に大きな影響を与える可能性がある領域を調べます。



ディープラーニングチュートリアル

モントリオール大学版（カナダ）。 最も重要なディープラーニングアルゴリズムのガイドを次に示します。 本は、Theanoライブラリを使用してそれらを実装する方法を示しています。 著者が述べているように、読者はPythonとNumPyを理解し 、Theanoの取り扱いに関するコースを受講する必要があります。



パターン認識と機械学習

これは、ベイジアン法を導入した最初のパターン認識チュートリアルです。 この本には、正確な答えを得ることが不可能な状況の近似推論のためのアルゴリズムが含まれています。 確率分布を記述するための情報は、グラフィカルモデルによってサポートされています。 この本は無料で読むために機械学習とパターン認識の概念に関する完全な知識を必要としないため、誰にとっても適しています。





本の著者： Simon S Haykin



ニューラルネットワークと学習マシン

この本は、ニューラルネットワークと自己学習マシンの概念と原理を理解しています。 これまでに、第3版がリリースされました。



ハンズオン機械学習

実例、最小限の理論、および2つの生産準備の整ったPythonフレームワークにより、著者はインテリジェントシステムの構築方法を理解するのに役立ちます。 単純な線形回帰から深層学習まで、さまざまな手法について学びます。 各章では、習得した知識を統合するための演習を提供します。



ニューラルネットワークのハッカーガイド

TeslaのAI開発責任者であるAndrei Karpathyは、ニューラルネットワークの過去を垣間見て、実際の回路技術に慣れ始めます。 著者は、スタンフォードのCS231コースの教師でもあり、その資料はこの記事と密接に関連しています。 スライドはリンクにあります。 そして、メモはここにあります 。



ディープラーニング、自然言語処理、データ表示

ディープニューラルネットワークを使用して自然言語（NLP）を処理する方法。 著者は、ニューラルネットワークが機能する理由の質問にも答えようとします。



ディープラーニング：ガイド

Java開発者のIvan Vasilievが、Javaプログラミング言語を使用した深層学習の背後にある重要な概念とアルゴリズムを紹介します。 Javaの深層学習ライブラリはこちらです。



ディープラーニングの起源

この出版物は、深層学習モデルの開発の歴史的な概要です。 著者は、ニューラルネットワークがどのように出現したかでストーリーを開始し、過去10年間のテクノロジー、つまり、ディープトラストネットワーク、畳み込みニューラルネットワーク、リカレントニューラルネットワークにスムーズに移行します。



強化された深層学習：概要

この資料は、強化（RL）を使用したディープラーニング業界の最新の成果に捧げられています。 最初に、著者はディープラーニングと強化学習の原則に目を向け、次に実際の適用可能性の問題（ゲーム（AlphaGo）、ロボット工学、チャットボットなど）に進みます。



/ Flickr / BrandurØssursson / PD

高度な読書

応用科学と工学のためのニューラルネットワーク

直接データ分析のためのニューラルネットワークアーキテクチャの概要。 別の章で、著者は、非線形データをクラスタリングするための自己組織化マップの適用可能性、および科学におけるリカレントネットワークの使用について説明します。



ニューラルネットワーク。 フルコース

本は、特定のタスクの実例と例で人工ニューラルネットワークのパラダイムを調べます。 パターン認識、制御、信号処理の問題を解決する上でのニューラルネットワークの役割を分析します。 この本は、エンジニア、コンピューター科学者、物理学者だけでなく、人工ニューラルネットワークに興味がある人にとっても有用です。



自己組織化カード

自己組織化マップは、その種類とともに、教師なしで教育することを目的とした最も人気のあるニューラルネットワークアーキテクチャの1つです。 本は、自己組織化マップのための数学的装置とアプリケーションの詳細な説明を提供します。 ニューロモデリングの分野の専門家だけでなく、大学の学部生および大学院生にも適しています。





本の著者： イアン・グッドフェロー



深層学習（適応計算と機械学習シリーズ）

「ディープラーニングは、この分野で唯一の包括的な本です」と、テスラとSpaceXの共同創設者であるイーロン・マスクの言葉があります。 テキストは数学的背景を蓄積しており、線形代数、確率理論、情報理論、機械学習の重要な概念について説明しています。



パターン認識のためのニューラルネットワーク

この本には、確率密度関数のモデリング手法が含まれています。 誤差関数を最小化するアルゴリズム、およびベイジアン法とその応用が検討されています。 さらに、著者はこのカバーの下で100以上の有用な演習を集めました。



ディープトラストネットワーク用の高速学習アルゴリズム

この記事の著者は、ディープトラストネットワーク（DBM）を一度に1層ずつトレーニングできるアルゴリズムを提案しています。 また、著者の1人であるGeoffrey Hinton（GE Hinton）からの深い信頼ネットワークに関するビデオチュートリアルにも注意を払う必要があります。



バックスプレッドエラーを使用してビューを教える

これは、ニューラルネットワークのトレーニングの概念の基礎と見なされます。 歴史的背景と実装。 推奨読書。



畳み込みネットワークを使用して椅子、テーブル、車を生成することを学ぶ

この記事は、生成ネットワークがオブジェクト間の類似性を見つけることができることを示しており、競合ソリューションと比較してパフォーマンスが向上しています。 この記事で説明した概念は、顔の生成にも使用できます。



TensorFlowディープラーニングイメージの完成

この記事では、ディープラーニングを使用してDCGANを使用して画像を完成させる方法について説明しています。 この投稿は、機械学習のバックグラウンドを持つ技術ユーザー向けに設計されています。 著者は、すべてのソースコードをGitHubに投稿しています 。



トーチのフェイスジェネレーター

著者は、ランダムな「ノイズ」を顔の画像に変換する生成モデルを実装しています。 これは、生成的敵対ネットワーク（GAN）を使用して行われます。



制限付きボルツマンマシンのトレーニングの実践ガイド

限られたボルツマンマシンの概要。 著者は、システムのデバッグと改善のための多くのレシピを提供しています：重みの割り当て、監視、隠れノードの数の選択。



特徴検出器の同時適応を防ぐことによるニューラルネットワークの改善

大規模なニューラルネットワークが小さなトレーニングデータセットでトレーニングされた場合、通常、結果は良くありません。 著者は、正しい答えを生成するのに役立つ兆候を特定するようにニューロンに教えることにより、「再トレーニング」の問題を解決する方法を提案しています。



YOLO：リアルタイムの物体検出

著者は、オブジェクト認識-YOLO（You Only Look Once）へのアプローチを示しています。 彼らの考えによれば、1つのニューラルネットワークが画像を処理し、画像を領域に分割します。 領域は境界フレームによって輪郭が描かれ、予測される確率に基づいて「重み付け」されます。 この記事から、iOS用のモバイルデバイスで作業するためのYOLO「ミニバージョン」の実装方法を学ぶことができます。



認識できない画像を予測する方法

最近の研究の1つは、画像（人間には見えない）を変更すると、ディープニューラルネットワークをだまして、後者が間違ったマーカーを設定することを強制できることを示しました。 この作品は、人間とマシンビジョンの興味深い違いに光を当てます。



Deep Voice：リアルタイムのテキストから音声への変換

著者は、ディープニューラルネットワーク上に構築された、テキストを音声に変換するDeep Voiceシステムを紹介します。 科学者によると、各コンポーネントには独自のニューラルネットワークがあるため、システムは従来のソリューションよりもはるかに高速です。 触れる価値はあります。



PixelNet：ピクセルごと、ピクセルごとの表現

著者は、ピクセルレベルでの一般化の原理を探り、セマンティックセグメンテーション、境界抽出、表面法線の推定などのタスクで適切に表示されるアルゴリズムを提案します。



OpenAIの生成モデル

この投稿では、生成モデルを適応させる4つのプロジェクトについて説明します。 著者は、それが何であるか、どこで使用されているのか、なぜ重要なのかを説明します。



畳み込みニューラルネットワークを使用して椅子を生成する学習

ここでは、種類と色によってオブジェクトの画像を生成するための生成畳み込みニューラルネットワークのトレーニングプロセスについて説明します。 ネットワークは、画像の行を補間し、欠落した要素で「空のスペース」を埋めることができます。



50行のコードの生成的-敵対的ネットワーク

生成的敵対ネットワーク（GAN）を訓練する方法は？ PyTorchを使用して、50行のコードを記述するだけです。 のんびり試してみましょう。

そして最後になりましたが

Neurodata Labの多くの従業員のテーブルに載っており、私のお気に入りの1 つとみなせる本はどれですか。





本の著者： Amit Konar 、 Aruna Chakraborty



感情認識。 パターン分析アプローチ

有能な構造で、大量のソースとデータに基づいた優れた素材。 この本は、技術的な観点からの感情の検出と認識の問題に情熱を傾けている人、そして刺激的な読書を探している人に適しています。

---

PSこの記事で利用可能なすべての資料を1つの記事の枠組みで網羅することは不可能であることを理解しています。 したがって、興味がある場合は、GitHubおよび他のプラットフォームのコレクションに少し注意を向けることができます。 それらのいくつかを次に示します。

• ニューラルネットワーク論文
• 100ベストGitHub：ディープラーニング
• 驚くほど深い学習論文