本書は、ディープラーニングによる画像認識を題材に、現場のプロジェクトで必要とされる知識をハンズオン形式で学習するための入門書です。ディープラーニング開発プロジェクトにおける「データ収集」「モデル実装」「データ準備」「学習」「評価」「性能向上」という６つのプロセスについて、それぞれの工程でどんなツールを使うのか、何をすれば良いのか、求められることや注意すべき点は何かなど、手を動かしながら理解を深めます。フレームワークの使い方を知っているだけではなく、ディープラーニングプロジェクトの全体像を正しく理解し、きちんと手を動かすことのできるＡＩエンジニアを目指すために役立つ基本の１冊です。

■第1章　機械学習／ディープラーニングの基礎知識 ・1.1　機械学習と深層学習（ディープラーニング） 　機械学習 　深層学習（ディープラーニング） ・1.2　ニューラルネットワークの学習 　学習の流れ 　学習の方法 　勾配降下法 　教師なしディープラーニング ・1.3　畳み込みニューラルネットワーク（CNN：Convolutional Neural Network） 　ニューラルネットワークの主要な層 　工夫のために使用される層 　CNN ・1.4　タスクとモデル 　画像処理のさまざまなタスクと主要なモデル ・1.5　画像処理の基礎 　開発環境の構築 　画像データの形式 　簡単な画像処理の実装 ・1.6　AIエンジニアに求められる素養 　深い業務理解 　データの整理整頓 　細やかなアノテーション 　論文やサンプルコードを読む英語力 　AI以外のロジックを含めたソリューションを考える力 ■第2章　ディープラーニングプロジェクトの進め方 ・2.1　プロジェクトの全体像 　ディープラーニングプロジェクトの2つのパターン 　業務への理解は必要不可欠 ・2.2　プロジェクトにおける各プロセスの役割と目的 　ディープラーニングプロジェクトの6つのプロセス 　プロセス：データの収集 　プロセス：モデルの実装 　プロセス：データの準備 　プロセス：学習 　プロセス：評価 　プロセス：性能向上 ・2.3　フレームワーク・環境・ハードウェア 　ディープラーニングのフレームワーク・ライブラリ 　ディープラーニング環境とハードウェア 　クラウドサービスの活用 ■第3章　VGGによる画像分類 ・3.1　モデルの実装 　VGGとは 　VGGの実装 　Loss関数とOptimizer ・3.2　データの準備 　学習データ・評価データの準備 　データオーグメンテーション ・3.3　学習 　学習環境について 　オンライン学習 　学習曲線とTrain Loss ・3.4　評価 　Confusion Matrixの作成 　正解率・再現率・適合率 ・3.5　性能向上 　原因の分析 　バッチ学習の利用 　過学習 　トラブルシューティング ■第4章　AutoEncoderによる正常・異常検知 ・4.1　モデルの実装 　AutoEncoderとは 　Convolutional AutoEncoderの実装 ・4.2　データの準備 　AutoEncoderのデータ準備 　データのダウンロード ・4.3　AutoEncoderによる学習 　学習の実装 　学習の可視化 ・4.4　評価 　推論の実装 　差分評価 ・4.5　性能向上 159 　モデルの改善［グレースケール化・二値化］ 　モデルの改善［データの整理・切り取り］ 　モデルの改善［入力データの工夫・差分関数の調整］ 　閾値による精度調整 ■第5章　SSDによる物体検出 ・5.1　モデルの実装 　SSDとは 　SSDの準備 ・5.2　データの準備 　画像の準備 　アノテーション ・5.3　学習 　転移学習とファインチューニング 　学習のための準備 　学習の実行 ・5.4　評価 　IoUとは 　IoUによる検出精度評価 　mAPの算出 ・5.5　性能向上 　原因の特定 　前処理と後処理 ■第6章　U-Netによる画像からの領域検出［実装～データの準備～学習］ ・6.1　モデルの実装 　U-Netとは 　U-Net（複数クラスセグメンテーション）の実装 ・6.2　データの準備 　Pascal VOCデータの準備 　マスク画像の確認 　対象データの準備と確認 ・6.3　学習 　学習用データと検証用データの分離 　データジェネレータの実装 　学習の実装と実行 　ネットワークと学習の改良 ■第7章　U-Netによる画像からの領域検出［評価～性能向上～まとめ］ ・7.1　評価 　推論の実装 　IoU 　不足と過剰 ・7.2　性能向上 　オーグメンテーション―ランダムイレイズ／グレースケール化 　Loss関数の変更―Dice係数loss ・7.3　実験のまとめ