深層学習ライブラリ(Pytorch)を用いたレクチャの中でも本講座が何を重視していて、何を重視していないのかをご理解いただけますと幸いです。

導入編は、浅いニューラルネットワークから深いニューラルネットワークまで、コアとなる考え方と実装方法の本質的理解を目指します。実践編は近日公開予定です。

Googleアカウントを持っている前提で、Google Colaboratory(Colab)でPythonコードを実行できるようになるまでの解説をします。

単純パーセプトロンの歴史・仕組みについて解説します。

身長・体重からBMIを基準にメタボ判定を行う処理をPython/Pytorchを使って実際に書いていきます。

※2020/11/21追記：

loss_fn(正解ラベル, 推論結果)のような誤記がありますが、

正しくは、loss_fn(推論結果, 正解ラベル)となります（引数が逆）。誤っていても学習は正しく行われますが、別の例では次元が合わずエラーになることがありますので、ご注意ください。

※2022/9/4追記：

以下、losses.append(loss) →　losses.append(loss.item())へ修正しております。
修正後のipynbをダウンロードしてお試し頂けますと幸いです。

```

for epoch in range(epochs):

  W.grad = None

  y_pred = sigmoid(X@W)

  loss = loss_fn(y_pred.view_as(y), y)

  loss.backward()

  W.data = W.data - eta * W.grad.data

  losses.append(loss.item())

```

よろしくお願いいたします。

単純パーセプトロンの説明・実装を通して確認できた内容を振り返ります。

単純パーセプトロンの活性化関数を変更し、損失関数・微分と併用することで、勾配降下法による学習が可能であるということを、手計算をしながらやさしく解説します。

線形回帰とロジスティック回帰によるBMIの予測並びにメタボ判定を行うネットワークをPytorchライブラリを用いて実装していきます。

本講座での学習のステップは、深層学習の実装でも流用することが可能です。

単純パーセプトロンでは解くことができなかった線形分離不可能な問題を、多層パーセプトロンで解くことができるようになるというイメージを解説と実装を通して理解します。

単純パーセプトロンで解くことができる問題（AND/OR回路の近似）と多層パーセプトロンでしか解くことのできない問題（XOR回路の近似）を題材に実装によって、線形分離不可能な問題を多層パーセプトロンで解けるようになるまでを解説します。

※2020/11/21追記：

loss_fn(正解ラベル, 推論結果)のような誤記がありますが、

正しくは、loss_fn(推論結果, 正解ラベル)となります（引数が逆）。誤っていても学習は正しく行われますが、別の例では次元が合わずエラーになることがありますので、ご注意ください。