リザバーコンピューティング

深層学習時代の注目技術、初の解説書!「リザバーコンピューティング」は、深層学習(ディープラーニング)の最大の難点である「計算コスト」の問題を克服すべく精力的に研究が進められ、

・直近では、時系列パターン認識用の高速機械学習手法として、
・近い未来には、高効率な機械学習デバイスの基礎原理として、
・将来的には、「AI ハードウェアの基盤」になりうる技術として、

高い期待を集めています。この技術を数理・アルゴリズムの視点(ソフトウェア実装)とデバイス開発・実装の視点(ハードウェア実装)の両面から解説。読者のバックグラウンド・モチベーションを問わず入門できるよう、ニューラルネットの原理や、デバイス・ハードウェア選定の発想から順を追って紐解きます。

時系列パターン認識問題への実行例をPythonサンプルコードとともに示し、リザバーコンピューティングの「使い方」も体感しながら読み進められるよう配慮されています。

【目次】
第1章 はじめに
1.1 機械学習とは
1.2 リザバーコンピューティングの概念
1.3 リザバーコンピューティングの位置づけ
1.4 歴史的背景
1.5 本書の構成

第2章 人工ニューラルネットワーク
2.1 背景
2.2 人工ニューロンモデル
2.3 活性化関数
2.4 パーセプトロン
2.5 ニューラルネットワークの構造
2.6 順伝播型ニューラルネットワーク
2.7 リカレントニューラルネットワーク
2.8 まとめ

第3章 エコーステートネットワーク
3.1 背景
3.2 モデル
3.3 リザバーの役割
3.4 Echo State Property (ESP)
3.5 モデル設計の指針
3.6 学習アルゴリズム
3.7 計算性能評価
3.8 計算性能向上のヒント
3.9 リザバーの性質
3.10 発展的モデル
3.11 まとめ

第4章 時系列パターン認識の基礎問題
4.1 概要
4.2 時間的排他的論理和(XOR)タスク
4.3 時間的パリティタスク
4.4 非線形チャネル等化
4.5 波形分類
4.6 正弦波生成
4.7 非線形時系列予測(バッチ学習)
4.8 非線形時系列予測(オンライン学習
4.9 カオス時系列予測
4.10 まとめ

第5章 時系列パターン認識の応用問題
5.1 応用分野
5.2 時系列データの前処理
5.3 発話数字認識
5.4 心電図の異常検知
5.5 太陽黒点データ予測
5.6 まとめ

第6章 リキッドステートマシン
6.1 背景
6.2 概念
6.3 フィルタ近似能力
6.4 モデル実装
6.5 スパイク列パターン認識
6.6 まとめ

第7章 物理リザバーコンピューティング
7.1 概要
7.2 実装に向けた二つのアプローチ
7.3 物理リザバーの分類
7.4 物理リザバーの具体例
7.5 まとめ

第8章 物理リザバーコンピューティングの要素技術
8.1 信号処理の流れ
8.2 要素技術
8.3 まとめ

第9章 将来展望
9.1 大雑把で高速な判断
9.2 作り込まない脳型計算ハードウェア
9.3 産業応用に向けて
9.4 自然計算や脳科学とのつながり
9.5 まとめ

付録
A.1 RLS 法に基づくオンライン学習則の導出
A.2 遅延フィードバック型リザバーの具体例
A.3 エクストリームラーニングマシン
A.4 Python サンプルコード
参考文献
索引

色に関して、撮影状況やご使用のパソコン環境により、実物と多少色が異なる場合がございます。サイズに関して、ブランドや商品によって実際のサイズと異なる場合がございますので、ご不明な場合は、出品者にお問い合わせください。

サイズ	指定なし
フリーサイズ	○

※配送方法が複数ある場合はカート内にて変更ができます。
※配送会社の状況等によって、商品到着日が遅れる場合がございます。あらかじめご了承ください。

配送方法	送料	追跡	配送目安
その他(配送無料)	￥0	なし	５日～１０日