ディープラーニング方面を中心に、人工知能まわりの勉強用メモ

# やることとしては要するに

1. ディープラーニングで解決したい問題をはっきりさせる
1. その問題を、モデリングする
1. 大量のデータを用意
1. データを処理してみて、望ましい結果かどうか検証する→望ましい結果にならなかったら変数を調整して再挑戦する
1. ↑をひたすら繰り返して調整

4、5のあたりはTensor FlowやChainerがある程度面倒見てくれるので、一番重要なのは2のところになるのかな。

# 用語メモ

neuron(ニューロン)
: 神経細胞のこと。脳は1000億くらいのニューロンで成り立っているらしい。

synapse(シナプス)
: 神経細胞において、神経細胞間での情報を受け渡しを担う部分。細胞内は電気で情報が伝わり、シナプスではそれが神経伝達物質の受け渡しという形に変換される。

----

ML/Machine Learning（機械学習）
: ディープラーニングに限らず、機械に何かを学習させて活用すること

NN/Neural Network
: 人間の神経系の働きをモデルにして考案された、データ処理のアルゴリズム的なもの


classification/分類
: DNNができることは要するに「分類する」ということで、例えば手書きのアルファベットの文字が「a-z」のどれかを分類したり、流れてきた


# Tool

[TensorFlow](https://www.tensorflow.org/)
: Googleのライブラリ

[Chainer](http://chainer.org/)
: 国産ライブラリ

# 使われる関数など

以下は各フレームワーク側で用意されてそうなので、用語とその意味/役割を把握しとけばよさそう
以下は各フレームワーク側で用意されてそうなので、用語とその意味/役割、どういうパラメータがあるのかを把握しとけばよさそう

DNN/Deep Neural Network
: ニューラルネットワークを複数階層重ねて、より脳に近い形で処理させる手法。

RNN/Recurrent Neural Network
: 一つ前に処理したデータを使って計算するNeural Network。音声やテキスト、映像認識など、前後関係が重要な意味を持つデータの処理をする時に使う

LSTM/Long short-term memory
: RNNの一種で、RNNだと前の部分が長い場合にうまくいかないという問題を解消したもの。参考：http://qiita.com/t_Signull/items/21b82be280b46f467d1b

CNN/Convolutional Neural Network
: 画像などの処理で使う

活性化関数
: ニューロンは、複数のニューロンからの電気信号を受取り、その合計によって次のニューロンに信号を送るか/どう送るかが決まる。その仕組みを関数化したものの総称。色んな関数が提案されている。

ReLU/Rectified Linear Unit（ランプ関数）
: 活性化関数の一つで、入力が0以下なら0、0以上なら入力値を返すような関数。$f(x)=max(0,x)$
単純な仕組みながら実際に使うと結構よい結果になる、らしい

softmax関数
: DNNで出力される最終的な結果は、何かしらの数字の羅列になるのだが、その結果を処理しやすいように全ての数字の合計が1になる（＝それぞれの数字がパーセンテージになる）ようにする関数。

maxout関数
: DNNの処理結果は、確率として表されることになるので、そのうち一番確率の高いものを1としてそれ以外を全部0にする関数

# 学習リソース

https://www.udacity.com/course/deep-learning--ud730