ひとりで文献を読んでいるだけでは分からないこと、人に何度も突っ込んで質問したら怒られそうなことを、ChatGPTに質問しながら、AIの「うわべに書かれた内容だけでは分からない仕組み」を詳しく学んでいきます。ただし、ChatGPTは「間違い」や「矛盾」も多く、チラチラでてくる間違いや矛盾を、人間のほうで話をリードしながら、分からないことをザックリと把握していきます。　たとえば、「より高次元の特徴空間に写像する」とは何なのか？！「活性化関数により非線形な特徴を学習できる」「モデルの収束」とは？「ヘッセ行列」とは結局何をしたいのか？！など。「どういうことですか？」という質問で埒があかないと、「つまり、こういうことなんですね？」と、こちらからアイディアを出してきいてみます。ただし、ChatGPTが「おっしゃるとおりです！」と言ってくれても、そのあとの説明をよく読まないと、本当にそれでいいのかはあやしいので要注意。　読者に、一連のAI教科書を読むだけではなかなか手が届かない、かゆいところを掻いてあげたい本。※コードはChatGPTが出したものをそのまま。概念図などは筆者が描いたもの。

■「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