研修概要
本研修はディープラーニングのライブラリであるKerasを利用して、画像認識プログラムの開発に取り組みます。Kerasライブラリは適度に抽象化されており、プログラミング知識のあるITエンジニアにとって直感的で理解しやすいものになっています。Kerasを利用してニューラルネットワーク上のコンポーネントを適切に設定していくことでスムーズにディープラーニングを始めることができます。
本研修では畳み込みニューラルネットワーク（CNN：Convolutional Neural Network）について詳細に取り上げます。CNNは画像認識の領域で多く用いられるディープラーニングの手法です。CNNでは画像データのような空間情報を表現した特徴ベクトルについて、周辺の特徴量を合わせて学習を進めていきます。本研修ではCNNの実装を進めながら、データ拡張や転移学習といった実践的な実装方法を習得していきます。CNNで構築したプログラムは計算量が多くなるため、相応のマシンスペックが必要になります。本セミナーではクラウドサーバ上にGPUを搭載した開発マシンを準備し、ブラウザを通じてプログラミングを進めていきます。
本コースの位置づけ
到達目標
- 畳み込みニューラルネットワーク（CNN）の特徴について理解する
- 画像のデータ拡張（Data Augmentation）について理解する
- 転移学習の仕組みについて理解する
- Kerasを活用して画像認識プログラミングに取り組むことができる
- Kerasの学習済みモデルを再利用できる
対象者
対象：ITエンジニア
- 画像認識プログラミング（CNN）に
関心のある方 - 転移学習、ファインチューニングに
関心のある方 - 開発現場でディープラーニングの導入を
調査・検討されている方 - 書籍など独学でのディープラーニングの
学習に苦労している方 - 機械学習プログラミングを
効率よく学びたい方
※本研修ではブラウザ上でPythonプログラムを作成しながら演習を進めていきます。
Pythonプログラミングの基礎知識（変数や配列、関数、オブジェクト指向プログラミング）を習得している方を対象としています。
カリキュラム
- 1 全結合型ニューラルネットワーク
- 全結合型ニューラルネットワークの実装
- ニューラルネットワークの構成
- 学習の進め方
- Weight Decay、Dropout、Batch Normalization
- 2 畳み込みニューラルネットワーク
- 畳み込みニューラルネットワークの実装
- 畳み込みレイヤー
- プーリングレイヤー
- 平滑化レイヤー
- 3 データ拡張
- 画像データの生成
- 機械学習への適用
- Kerasによるデータ拡張
- 4 学習済みモデルの再利用
- 画像認識モデルの発展
- 学習済みモデルの再利用
- Keras Functional APIによる実装
- 転移学習 - 特徴抽出器
- 転移学習 - ファインチューニング
- ＜Appendix：Keras実践マニュアル＞
- 学習済みモデルの保存と再利用
- モデルの保存
- モデルの読み込み
- モデルアーキテクチャの保存
- モデルの重みの保存
- モデルの可視化
- 効率の良い学習の進め方
- 学習状況の出力(CSVLogger)
- 定期的なモデルの保存(ModelCheckpoint)
- 不要な学習の停止(EarlyStopping)
- その他のコールバック
- アプリケーションへの組み込み
- コンソールアプリケーションへの組み込み
- Webアプリケーションへの組み込み
※本研修は6H程度を想定しています。
お問合せ
本講座は個社研修での実施とさせて頂いております。
研修実施に関するお問い合わせにつきましては、こちらからご連絡下さい。弊社担当から折り返しご案内させていただきます。