#11の内容

• Darkflowの使い方とYoloV2/Yolo9000
• 転移学習について
• Radeon GPU＋DeepLearningの現状
• 永続化コンテナとGPUの利便性
• NVIDIA EULA事件について
• GPU Eater クラウドと最新のGPUテクノロジー
• AMD-Radeon/NVIDIA GPUでの学習と推論ベンチマーク
• "TensorCore" 120TFlopsの正体を見極める
• TensorFlow on OpenCL
• Keras on PlaidML
• フレーム問題
• Findyのスキル偏差値算出アルゴリズムについて
• Findy Scoreの求人票解析アルゴリズムについて
• 身近な学習パラメータの決定例、「最小二乗法」の意味を考える

#9の内容

• DeepLearning Summit in San Francisco レポート
• 技術＜データの重要性
• アンサンブル学習の重要性
• 認識に於ける２つの谷

#8-2の内容

Microsoftフィリピン本社にて英語登壇

• 料理認識デモ
• AI技術の限界の紹介
• アウトオブフレーム問題
• 予算、費用対効果について

#8の内容

• 1~7までのダイジェスト
• DCNNの派生系DCGAN(Deep Convolutional Generative Adversarial Network)
• 生成モデルの概要
• DCGAN実践
• 変換モデルの概要
• スタイル変換実践

#7の内容

• DeepLearningの精度と計算時間
• ニューラルネットは分散しにくい
• パラメータ探査の困難さ（モンテカルロ法、遺伝的アルゴリズム、Q学習）
• CPUとGPUの性質
• GPGPUとトレードオフ（台所事情）
• DeepLearningに於けるアクセラレートポイント
• 失敗したOpenCLと、囲い込みのCUDA
• 設備投資について
• 費用対効果と相場
• 持つものと持たざるもので分かれる機械学習

#6の内容

• ニューラルネットワーク基礎
• 偏微分連鎖律と数式を無視する型破りなバックプロパゲーションの理解
• 教師あり学習のデモ
• Weightsを視覚化してみる
• DCNN(DeepConvolutionalNeuralNetwork)を徹底解剖します！
• Convolution層とMaxPoolingの働きについて
• Convolution層とMaxPoolingのバックプロパゲーションの理解
• Convolution層の多層化の意味について
• Convolution層のWeightsを視覚化してみる
• DCNNの派生系についてのお話

#5の内容

• ニューラルネットワーク基礎
• 偏微分連鎖律と数式を無視する型破りなバックプロパゲーションの理解
• 教師あり学習のデモ
• Weightsを視覚化してみる
• 教師なし学習のデモ
• 主成分分析を視覚化してみる
• DeepLearningの深さの利点について
• 失敗から学ぶ。勾配消失問題を味わってみよう！
• チューニングの全体像
• プレトレーニングは時代遅れ
• 失敗から学ぶニューラルネットワーク
• MLPに於ける失敗するパラメータの事例
• StackedAutoEncodersに於ける失敗するパラメータ事例
• DCNNに於ける失敗するパラメータ事例

#4の内容

• 多クラス分類について
• 教師ありデータ収集について
• オントロジーとは？
• オントロジーの定義の難しさ
• ImageNetやコンペティションの公共のデータ
• WEBクローラーの作り方
• BOT対策について
• データ解析ツールの作り方とOpenCV
• 漫画やサムネイル、別サイズの同じ画像の除去
• ラベル貼り付けとコストについて

#3の内容

大枠の概要

• DeepLearningの歴史と重要なネットワーク
• 選択すべきネットワークの形とそのメリット＆目的の理解
• ライブラリの選択とセットアップ
• DCNNじゃなくてフルコネクションネットワークと画像解析

技術詳細

• 教師あり学習の基礎(Perceptron/MLP)
• 教師なし学習について
• 教師なし学習の役割と活用例
• AutoEncoder/StackedAutoEncodersで次元圧縮と分析
• AdamとSGDとAutoEncoderの成功と失敗パラメータ

#2の内容

大枠の概要

• DeepLearningの歴史と重要なネットワーク
• 選択すべきネットワークの形とそのメリット＆目的の理解
• ライブラリの選択とセットアップ
• DCNNのパラメータ設定

技術詳細

• DCNNの形の理解
• PerceptronとMLPとDCNNの関係
• ニューラルネットワークの基礎
• PerceptronとMLPの予測計算を絵で理解する
• PerceptronとMLPのバックプロパゲーション計算を絵で理解する

#1の内容

大枠の概要

• DeepLearning専門用語解説
• 選択すべきネットワークの形とそのメリット＆目的の理解
• ライブラリの選択とセットアップ
• データ読み込み機構とアウトプット機構（画像編）
• データ収集とWEBクローラー（画像編）
• ラベル付の効率化（画像編）
• DCNNのパラメータ設定

技術詳細

• データの水増し編 (アフィン変換、ノイズ、ディストーション、プロジェクション、カラー)
• データランダマイズサンプル
• ランダムデータと正規分布データ
• データ正規化(ZCA/PCA Whitening)
• 活性化関数の選択
• MaxOut実装方法
• バッチ正規化と最新の活性化関数ELU(ReLuじゃないヨ)
• L1/L2正則化とAdaGrad/RMSProp/AdaDelta/Adam/AdaMax
• オントロジーとデータ整頓
• 平均予測
• GPGPUの台所事情