ディープラーニング実践ガイド ―クラウド、モバイル、ブラウザ、エッジデバイス向けAIアプリ開発入門

付録A畳み込みニューラルネットワーク入門

　タイトルからもわかるように、本書は実践的であることをめざし、実世界に即した強化学習を重点的に取り上げています。この付録は参考資料としての役割を意図しており、ディープラーニングの理論的側面を網羅してはいません。より深い理解を望む読者には、「A.11 さらなる探求」で紹介する資料をお勧めします。

A.1　機械学習とは

• 機械学習とは、データの中からパターンを発見し、未知のデータに対して予測を行うためのしくみです。
• 強化学習は3つに分類できます。ラベル付きのデータから学習する教師あり学習、ラベルのないデータから学習する教師なし学習、アクションに対する環境からのフィードバックを元に学習する強化学習の3つです。
• 教師あり学習には、分類（複数のカテゴリーあるいはクラスの中から1つが選ばれる）と回帰分析（数値が出力される）の2つが含まれます。
• 教師あり学習のための手法は多数考えられています。単純ベイズ、SVM、決定木、k近傍法、ニューラルネットワークなどです。

A.2　パーセプトロン

• ニューラルネットワークの最もシンプルな形態がパーセプトロンです。図A-1に示すように、ニューロンが1つだけの単層ネットワークです。

図A-1　パーセプトロンの例

• パーセプトロンは入力の重み付き総和を算出します。複数の入力にはそれぞれ重みの値が割り当てられており、入力値との乗算が行われます。これらの和にバイアスの値が加えられ、ここから最終的な出力が算出されます。 ...