■第1部：ディープラーニングの基礎 ●第1章：ディープラーニングの全体像 　1.1：ディープラーニングとは 　1.2：ディープラーニングが対象とする問題 　1.3：ディープラーニングの構成要素 　1.4：ディープラーニングの脅威とは ●第2章：ディープラーニングを始めるための環境構築 　2.1：Dockerのインストール 　2.2：イメージのビルド 　2.3：コンテナの起動とJupyter Notebookの稼働確認 　2.4：Jupyter Notebookの基本操作 ●第3章：ディープラーニングに必要な数学とNumPyの操作 　3.1：NumPyの基本 　3.2：ベクトル（1次元配列） 　3.3：行列（2次元配列） 　3.4：ndarrayの軸（axis） 　3.5：3次元以上の配列 　3.6：微分 　3.7：偏微分 　3.8：勾配 　3.9：まとめ ■第2部：ディープラーニングの仕組み ●第4章：ディープニューラルネットワーク 　4.1：DNNのアーキテクチャ（入力層／隠れ層／出力層） 　4.2：順伝播／重み／バイアス 　4.3：活性化関数 　4.4：出力層とソフトマックス関数 　4.5：入力データのバッチ化 　4.6：正解データ 　4.7：正解率 ●第5章：分類モデルを開発してみよう 　5.1：事前準備 　5.2：Layerクラスの開発 　5.3：順伝播を体験しよう 　5.4：SimpleClassifierクラスの開発 　5.5：画像分類を体験しよう 　5.6：活性化関数によるモデルの表現力の変化を体験しよう ●第6章：ディープニューラルネットワークの学習 　6.1：学習の全体像 　6.2：推論と正解の誤差を把握する 　6.3：勾配降下法による重みとバイアスの更新 　6.4：合成関数と連鎖律 　6.5：誤差逆伝播 　6.6：ミニバッチによる学習 　6.7：学習に関するその他のトピック ●第7章：分類モデルの学習機能開発 　7.1：ユーティリティ関数の準備 　7.2：Layerクラスの改修 　7.3：SimpleClassifierクラスの改修 　7.4：学習 　7.5：クイズ ●第8章：畳み込みニューラルネットワーク 　8.1：CNNの全体像 　8.2：畳み込み演算 　8.3：畳み込み演算による特徴の抽出 　8.4：3次元の畳み込み演算 　8.5：畳み込み層の連結 　8.6：最大プーリング層 　8.7：畳み込みブロックから全結合層への連結 　8.8：CNNの学習 ■第3部：ディープラーニングのフレームワーク ●第9章：TensorFlowとKeras 　9.1：TensorFlowとKerasとは 　9.2：KerasによるMNIST分類モデルの開発 　9.3：Kerasを利用したCNNによる画像分類 　9.4：Tensorオブジェクト 　9.5：TensorFlowによる勾配降下法の体験 　9.6：Kerasによる最適化アルゴリズムの体験 ■第4部：ディープラーニングのセキュリティ ●第10章：ディープニューラルネットワークへの攻撃 　10.1：敵対的サンプルとは 　10.2：ノルム 　10.3：Fast Gradient Sign Method 　10.4：Fast Gradient Sign Methodの実装 　10.5：Jacobian Saliency Map Attack 　10.6：Jacobian Saliency Map Attackの実装 　10.7：C&W Attack 　10.8：C&W Attackの実装 　10.9：Boundary Attack 　10.10：Boundary Attackの実装 　10.11：Projected Gradient Descent Attack 　10.12：OSSを利用したPGD Attackの体験 ●第11章：ディープニューラルネットワークの防御 　11.1：敵対的サンプルに対する防御の現状 　11.2：敵対的サンプルに対する防御の種類 　11.3：敵対的トレーニング 　11.4：敵対的トレーニングを体験しよう 　11.5：Feature Squeezingによる防御 　11.6：プリプロセスを利用した敵対的サンプルの検知方法 　11.7：Median Smoothingの実装 　11.8：Squeezing Color Bitsの実装 ●第12章：リアル空間上での脅威 　12.1：自動運転領域での敵対的サンプル 　12.2：物理セキュリティへの脅威 　12.3：マルウェア検知の回避 　12.4：音声の敵対的サンプル 　12.5：ディープフェイクとその検知の回避