初心者必見！Pythonでニューラルネット・深層学習を完全攻略

続いて変数を用いたより複雑な演算について説明します。代入演算子（だいにゅうえんざんし）は、複雑な代入処理をシンプルにしてくれます。また、()を用いることにより演算の優先順位を変えることが出来ます。

実際にSpyderを使い代入演算子と()による演算を試して見ます。手順で通りに手元で色々試してみてください。

Python言語の説明として正しいものを選びなさい

Spyderを用いて、Pythonのソースコード（,pyファイル）を実行する方法について説明します。

プログラムの入力方法から実行方法までを動画で説明します

続いて条件分岐の更に複雑なケースについて説明します。elseを用いると、ある条件が成り立たなかった場合についての処理いついても言及できます。

また、elifを用いれば複数の選択肢を持つ条件分岐を作ることができます。

else,、elifを実際のサンプルで体験してみます。elifのサンプルでは、数値が偶数か奇数カの判定を、elifのサンプルでは、数値が正、負、０のいずれかの判定をしています。

分岐処理の3回目です。if文のネストと複数の条件の処理について説明します。

様々な複雑な分岐処理を体験してみましょう。

実際にソースコードを動かしてみてください。

分岐処理に関する知己式を簡単なクイズでふりかえります。

繰り返し処理の基本について説明します。

繰り返し処理とは文字通り、指定した回数、もしくはある一定の条件が成り立っている間処理を繰り返すことです。

繰り返し処理はwhile（ホワイル）文とfor（フォー）文がありますが、ここではwhile文について説明します。

実際に簡単なwhileループの事例を紹介します。

数が増えていく事例と減っていく事例について詳しく説明していきます。実際にソースコードを動かしてみて試してみましょう。

繰り返し処理の例として無限ループと多重ループについて説明します。

無限ループとは無限に処理が終わらない繰り返し処理のことで、多重ループはループの中にさらにループがあるようなループのことです。

無限ループと多重ループの実際のサンプルを実行してみます。

whileをはじめとする繰り返し処理は、break(ブレイク)やcontinue（コンティニュー）を使うと流れを帰ることができます。breakを使えばループから抜けることが、continueを使えばループの先導に戻ることができます。

breakとcontinueの処理を実際に見てみます。

breakでループから抜け、continueはループの戦闘に戻ります。

データ構造のうちもっとも頻繁に利用されるlist(リスト）について説明します。

リストは大量のデータを番号をつけて管理をすることができます。

その上、データの追加・挿入・削除などが簡単にできる非常に便利なデータ構造です。

listの説明の実践編です。

今回は.pyファイルのソースプログラムではなく、実際にコンソールに入力するデータをテキストデータとしてダウンロードして下さい。

データ構造のlistは、for文によって繰り返すことができます。

ここでは、listと組み合わせる方法と、それ以外のループの作り方（range関数との組み合わせ）を説明します。

for文を用いるサンプルを実際に実行してみます。

listのみならず、range関数とセットでも繰り返し処理を行うことができます。

データ構造のタプル(tupple)と集合(set)を説明します。タプルはリストの簡易版のようなデータ構造でスピードは速くメモリ消費も少ないのですが、値を書き換えることはできません。

集合は数学の集合の概念のように、集合演算を行うことができます。

タプルと集合を使ったプログラムのサンプルを紹介します。

データ構造の辞書について説明します。辞書とは、キーと値の組み合わせのデータ構造です。

リストの添え字の部分が任意のデータにかわるようなものです。

実際に辞書を使った簡単なプログラムのサンプルを紹介します。

関数の応用編として可変長引数（かへんちょうひきすう）という概念について説明します。

通常引数の数は関数ごとに決まっていますがこれを自由に設定できるのが可変長引数です。

可変長引数には大きく分けて、タプルを用いるものと、辞書を用いるものに分かれます。

可変長引数の実際のサンプルを紹介します。

プログラムがある程度長くなってくると複数のファイルに分割する必要があります。そこで、Pythonにはプログラムをモジュール（module）という単位に分割する機能が用意されています。

ここではモジュールの概念とその使い方について実際に説明していきます。

実際にpythonのモジュールを使ったサンプルを紹介します。モジュール全体をimportする方法と、個別のモジュールだけをimportする方法の両方を紹介します。

モジュールの上位概念であるパッケージ(package)について説明します。

実用的なPythonプログラムを作成するためには様々なパッケージを利用したり、場合によっては自分で作らなくてはなりません。ここでは基本的なパッケージの造り方とその利用の方法について説明します。

実際にパッケージを利用する方法について説明します。パッケージの利用において大事なのは__init__.pyと言うファイルです。この設定方法によってパッケージ内のモジュールの利用の仕方が決まってきます。

ここで追加されているサンプルは、ダウンロードする際に.zipでパッケージファイル（pkg.zipおよびpkg2.zip）を追加して有りますので、利用する際には解凍してからスクリプトファイルmodule05.pyおよびmodule.pyと同じディレクトリにおいてください。

クラスをもとにインスタンスを生成し、実行する方法とその仕組みについて説明します。

クラスが生成されるとまずコンストラクタが実行されます。その後メソッドを操作するなどしてインスタンスに対する処理を行います。

クラスがあれば複数のインスタンスを生成することができます。人が異なれば名前が違うようにインスタンスが異なれば同じクラスから生成されたインスタンスでもメソッドの実行結果が違ってきます。

実際にクラスとオブジェクトのサンプルを通してオブジェクト指向プログラミングを体験してみましょう。

オブジェクト指向もいよいよ大詰めです。最後のテーマは継承（けいしょう）です。継承を用いると、あるクラスの機能を受け継いだ新しいクラスを定義することができます。

継承を使ったサンプルプログラムを実際に実行してみます。

人工知能の限界と言われるフレーム問題について説明します。

かつてはこれによって、人工知能はこれ以上発展しないとされていました。

現在進行中の第三次ＡＩブームとその内容について説明します。

この段階の最大の特徴は人工知能が実用化の段階に入り商用利用が盛んになっているということと、技術が飛躍的に発展したことが特徴です。

2,045年を境にAIと人間の立場が逆転する…それがシンギュラリティといわれる問題です。

果たしてそのようなことは起こるのでしょうか？

機械学習の一つである教師あり学習について学習します。供し有り学習は大きく分けて回帰問題（かいきもんだい）と分類問題（ぶんるいもんだい）に分けられます。

機械学習のうち教師なし学習と強化学習について説明します。

機械学習の有力な手段であるニューラルネットワーク(neural network)について説明します。

ニューラルネットは脳の仕組みを模倣したものであり、起源は1943年の人工ニューロンにさかのぼります。

単純な2層のパーセプトロンの問題点を克服することに成功したのが誤差伝播法（バックプロパゲーション）と呼ばれる方法です。

誤差伝播法では、入力のフローとは逆方向に誤差を修正するための信号を送り重みを調整してより正確な処理ができるようにします。

いよいよニューラルネットワークを使ったアルゴリズムである深層学習（DeepLearning）について説明します。なぜこの方法が機械学習の手法の中で最も強力なのか、そしてどのような仕組みになっているかについて説明します。

ディープラーニングの一つであるCNN（Convolutional Neural Network）について説明します。主に画像処理などの分野で活用されている手法なので、画像認識を例に挙げてアルゴリズムの特徴について説明します。

ここから本格的にニューラルネットをはじめとする機械学習のプログラミングに入ります。まずは環境構築が必要なので、そこで必要となるらいぶらっり全般について説明します。

numpyを使ってニューラルネットワークに必要な最も基本的な数学であるベクトルを計算する方法について学習します。

numpyを使うにはまずパッケージのインポートが必要となります。

一切にSpyderを使ってベクトルの計算処理を試してみます。二次元・三次元のベクトルを例に挙げて、様々な演算を行います。

実際にnumpyを使って行列の計算をやってみます。行列同士の演算、ベクトルと行列の演算の処理方法について説明します。

ニューラルネットで用いる活性化関数（かっせいかかんすう）を紹介します。活性化関数には様々な種類が有りますが、主要なものを取り上げその性質について説明します。

matplotlibを用いて実際に活性化関数を描画してみます。プログラムを通して関数の性質を理解しましょう。

ニューラルネットを記述する数学的な基礎の説明は一通り終了しました。ここからは、実際にパーセプトロンをPythonのみでプログラミングをしてみます。パーセプトロンはニューラルネットの基本の基本です。まずはここから基本的なニューラルネットのプログラムの仕組みを学びましょう。

パーセプトロンのプログラムを実際に自分で実装してみます。

プログラムの中身の詳細を解説します。

次はPythonで多層ニューラルネットを構築する方法について説明します。

多層ニューラルネットはパーセプトロンよりも複雑ですが、頑張って学習してみてください。

多層ニューラルネットをPythonのみで実装します。

コードの簡単な説明をしています。

ニューラルネットはパーセプトロンよりも便利ですが、できることも限られています。

個々ではニューラルネットの限界と深層学習の必要性について説明します。

開発に必要なモジュールやパッケージをインストールします。Anacondaんは、pipよりも便利なパッケージ管理ツールであるcondaがあります。ここではその使い方を説明します。

実際にアヤメの分類のデータを取得してみてみる方法について解説します。アヤメの情報を入手し、使用する方法について説明します。

関連するパッケージをインストールした後に、実際にアヤメのデータを取り込んで中身を確認してみます。

アヤメのデータを元に学習モデルを構築します。前１５０個のデータのうち、１２０個を学習用に、３０個をテスト用に分けます。

実際にモデルを構築するまでの処理をやってみます。モデルを構築・コンパイルし、テストができる状態にまでもっていきます。

実際に学習とテストをする方法を紹介します。学習のサンプルでは、アヤメのデータ120個のデータを100回学習させます。残りの３０個の情報をテストに用います。

実際に学習とテストをやってみます。プログラムを動かしながら実際に学習とテストをやってみます。

モデルや学習データを作成しても、そのままではデータが消えてしまいます。ここではモデルおよび学習データの保存方法について説明します。

モデルの学習データとモデル自体の保存・読み出しを実際にやってみます。

実際にTensorflow + Kerasを用いたMINST学習のためのCNNの構築のサンプルを見てみます。

※動画中4:48から始まるMaxPoolingの画像に誤りがありましたので、訂正画像を追加して有ります。こちらをご参考ください。

CNNの内容についてのまとめです。

まだまだ深層学習についてはスタート段階といったところですが、これで今後深層学習について本格的に学ぶには十分な基礎知識が身についてます。

最後まで学習お疲れ様でした！

ここまでで深層学習やニューラルネットの学習の基本です。本当の学びはこれから始まります。

皆さんの検討をお祈りします。