目次

まえがき
謝辞
監訳者より
本書について
カバーについて

Part 1　ディープラーニングの基礎
1章　ディープラーニングとは何か
1.1　AI、機械学習、ディープラーニング
1.2　ディープラーニングの前史：機械学習
1.3　なぜディープラーニングなのか、なぜ今なのか

2章　予習：ニューラルネットワークの数学的要素
2.1　初めてのニューラルネットワーク
2.2　ニューラルネットワークでのデータ表現
2.3　ニューラルネットワークの歯車：テンソル演算
2.4　ニューラルネットワークのエンジン：勾配ベースの最適化
2.5　最初の例を振り返る

3章　入門：ニューラルネットワーク
3.1　ニューラルネットワークの構造
3.2　Kerasの紹介
3.3　ディープラーニングマシンのセットアップ
3.4　二値分類の例：映画レビューの分類
3.5　多クラス分類の例：ニュース配信の分類
3.6　回帰の例：住宅価格の予測

4章　機械学習の基礎
4.1　機械学習の4 つの手法
4.2　機械学習モデルの評価
4.3　データ前処理、特徴エンジニアリング、表現学習
4.4　過学習と学習不足
4.5　機械学習の一般的なワークフロー

Part 2　ディープラーニングの実践
5章　コンピュータビジョンのためのディープラーニング
5.1　畳み込みニューラルネットワークの紹介
5.2　小さなデータセットでCNNを一から訓練する
5.3　学習済みのCNNを使用する
5.4　CNNが学習した内容を可視化する

6章　テキストとシーケンスのためのディープラーニング
6.1　テキストデータの操作
6.2　リカレントニューラルネットワークを理解する
6.3　リカレントニューラルネットワークの高度な使い方
6.4　畳み込みニューラルネットワークでのシーケンス処理

7章　高度なディープラーニングのベストプラクティス
7.1　Sequential モデルを超えて：Keras Functional API
7.2　Keras のコールバックとTensorBoardを使ったディープラーニングモデルの調査
7.3　モデルを最大限に活用するために

8章　ジェネレーティブディープラーニング
8.1　LSTM によるテキスト生成
8.2　DeepDream
8.3　ニューラルネットワークによるスタイル変換
8.4　変分オートエンコーダによる画像の生成
8.5　速習：敵対的生成ネットワーク

9章　本書のまとめ
9.1　主な概念の復習
9.2　ディープラーニングの限界
9.3　ディープラーニングの未来
9.4　目まぐるしく変化する分野に後れずについていくには
9.5　最後に

付録A　Kerasとその依存ファイルをUbuntu にインストールする
A.1　Pythonの科学ライブラリをインストールする
A.2　GPUのサポートをセットアップする
A.3　Theanoをインストールする（オプション）
A.4　Kerasをインストールする

付録B　AWSのGPUインスタンスでJupyter Notebookを実行する
B.1　Jupyter NotebookをAWSで実行する理由
B.2　Jupyter NotebookをAWSで実行しない理由
B.3　AWS GPUインスタンスのセットアップ
B.4　Kerasをインストールする
B.5　ローカルポートフォワーディングを設定する
B.6　ローカルブラウザからJupyter Notebookを使用する