■「手書き文字判別」の謎を解く

• AIプログラミング、何から始める？
• 手書き数字の画像を判別するPythonコード
• 取得した画像データを描画させるコード
• 作成したAIモデルで画像を判別
• ロジスティック回帰に迫る
• 最適化手法に迫る

■「サポートベクターマシン」とは何かに迫る

• 「SVM」のコードに「SVC」と書かれている件
• 「サポートベクターマシン」の最初の一歩が大変だ
• いよいよ「サポートベクター」とは？

■AIの重要概念、「特徴」「次元」「線形」…など

• なぜ「高次元」が必要なのか？
• 「線形分離不可能」を「可能」にするには
• 「3次元空間に写像して境界面で切る」意味
• 「カーネル関数」について、ちょっとでも理解したい

■最も簡単な深層学習の「構造」

• 手書き数字を深層学習で判定するプログラム
• 深層学習実行上の用語
• 深層学習で手書き文字判定のために使うもの
• 深層学習の「非線形関数」に迫る

■最も簡単な深層学習の「最適化」

• モデルのコンパイル
• 深層学習の「損失関数」
• 深層学習の最適化手法
• 深層学習の出力層のソフトマックス関数
• 最も基本的な深層学習で、それでも気になる用語

■画像処理に強い、深層学習「畳み込み層」

• 「畳み込み型ニューラルネットワーク」とは
• 「フィルタ（カーネル）」について考える
• 「2次元配列」の出力をどう処理するのか
• 「特徴マップ」をどう評価するのか
• 畳み込み型モデルの最後には全結合層がくる

■自然言語の深層学習

• 「自然言語」の解析手法
• 「トランスフォーマー」とは、ザックリと何か
• 「セルフアテンション」のキモなる3つのベクトル
• 関連性を使ってどうするのか
• 今さらながら、トランスフォーマーに流されるデータ
• 「トランスフォーマー」はどうやって文を作成するのか