生成 Deep Learning 第2版 ―絵を描き、物語や音楽を作り、ゲームをプレイする

2章ディープラーニング

2章の目標

• ディープラーニングを使用してモデル化できるさまざまな種類の構造化されていないデータについて学ぶ。
• ディープニューラルネットワークを定義し、どのように使用すれば複雑なデータセットをモデル化できるかを理解する。
• 画像に何が写っているかを予測する多層パーセプトロンを構築する。
• 畳み込み層、ドロップアウト層、バッチ正規化層を使用してモデルの性能を向上させる。

ディープラーニングの基本的な定義から始めることにしましょう。

ディープラーニングは、構造化されていないデータの高レベルな表現を学習するため、複数の積み重なった処理ノードから成る層を用いる機械学習のアルゴリズムの一種です。

ディープラーニングを十分に理解する——特に、それがなぜ生成モデリングで非常に役に立つのかを理解する——には、この定義を少し掘り下げる必要があります。まず、ディープラーニングがモデリングに使用できるさまざまな種類の構造化されていないデータから始め、次に処理ノードを複数積み重ねた層を構築し、分類タスクを解決するための仕組みを見ていきましょう。これは、今後の章で、生成タスクのためのディープラーニングに焦点を当てる際の基礎となります。

2.1　ディープラーニング用のデータ

多くの種類の機械学習のアルゴリズムは、構造化された表形式のデータの入力が必要です。表形式のデータはそれぞれの観測を記述する特徴量の列から成ります。例えば、ある人の年齢、収入、先月閲覧したWebサイトの数はすべて、その人が来月ある特定のオンラインサービスを契約するかどうかを予測するのに役に立つ特徴量です。私たちは、これらの特徴量から成る構造化された表を用いて、ロジスティック回帰、ランダムフォレスト、XGBoostモデルを訓練することで、2値の結果、すなわち、この人は契約する（1）、契約しない（0）を予測できるようになります。この場合、個々の特徴量は観測に関する小さな情報の塊を含んでおり、モデルはこれらの特徴量が結果にどのように影響するかを学習します。 ...