はじめに

第1章　神経の模倣
　　　 ――学習する機械のモデルは何?――
1.1 人工知能とは？
1.2 神経細胞のマネをするネットワーク
1.3 形式ニューロン
1.4 論理演算
1.5 形式ニューロンで論理演算は可能か？
1.6 パーセプトロンの登場
1.7 算数の鶴亀算と行列
1.8 単位行列
1.9 逆行列
1.10 逆行列と方程式の関係
1.11 スカラー，ベクトル，行列，そしてテンソル
1.12 線形代数の「線形」の意味は？
Column 高校数学の補強編1――指数関数――

第2章　画像認識への第一歩
　　　 ――手計算とプログラムによるパラメーターの決定――
2.1 画像認識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の構成を手計算で求めてみよう
2.3 ネットワークの構成をプログラムを使って求めてみよう
2.4 もう1つの損失関数
2.5 プログラムの決まりごと
2.6 Google Colaboratoryを使おう！
2.7 メインルーチンとサブルーチンそして関数
2.8 ニューラルネットワークをシミュレートしてみよう！
Column 高校数学の補強編2――対数関数――

第3章　勾配降下法と合成関数の微分
　　　 ――パラメーターをいかにして最適化するか――
3.1 勾配降下法
3.2 重みが2つある場合
3.3 シグモイド関数への変更
3.4 合成関数の微分公式と連鎖律
3.5 勾配降下法を用いた2 画素の画像認識
3.6 勾配降下法のプログラム
3.7 極小と最小
Column クラス，インスタンス，そしてラッパー

第4章　誤差逆伝播法
　　　 ――隠れ層のパラメーターの最適化とは――
4.1 隠れ層のパラメーターをどのように決めるのか？
4.2 出力層の誤差の計算
4.3 隠れ層の誤差の計算
4.4 誤差逆伝播法のPythonによるプログラム
4.5 勾配消失問題とReLU（レルー）関数
4.6 ソフトマックス関数
Column データの型について

第5章　ディープラーニングの実践
　　　 ――さっそく操ってみよう！――
5.1 様々なプラットフォーム
5.2 ディープラーニングによるファッション画像の分類
5.3 TensorFlowと各種ライブラリのインポート
5.4 画像データの読み込みと正規化
5.5 ニューラルネットワークのモデルの構築とサマリー（要約）
5.6 モデルのコンパイル
5.7 モデルの学習
5.8 モデルの性能の評価
5.9 正解率71％のニューラルネットワークによる1サンプルの予測は？
5.10 モデルのロード
5.11 Google Colaboratoryの配列
5.12 appendとreshape
Column Kerasって何？

第6章　ニューラルネットワークのモデルの改良
　　　 ――もっと使いやすく！ もっと便利に！――
6.1 Matplotlibによる学習過程のグラフ化
6.2 損失値のグラフ化
6.3 ドロップアウト
6.4 損失関数の選択
6.5 Optimizer はどのようにオプティマイズするのか？
6.6 モメンタムはどう働く？
6.7 ネステロフのモメンタム加速勾配法
6.8 別のアプローチ――Adagrad
6.9 RMSprop――Adagradの改良
6.10 Adam――2つのアプローチのハイブリッド
Column CPUとGPU

第7章　畳み込みニューラルネットワーク
　　　 ――謎の言葉「畳み込み」？――
7.1 画像の特徴を抽出する方法
7.2 パディング
7.3 プーリング層
7.4 どのようなフィルターが働いているのか？
7.5 手書き数字の認識は？
7.6 自分が書いた手書き数字を正しく認識するか？
7.7 Kerasが保有するデータセット
7.8 畳み込みニューラルネットワークとImageNet
Column コンピューター対人間

第8章　リカレントニューラルネットワーク
　　　 ――リカレントって何？――
8.1 リカレントニューラルネットワークとは
8.2 重みやバイアスの計算式は？
8.3 リカレントニューラルネットワークの実践例
8.4 LSTM――長・短期記憶
Column アンドロイドは電気羊の夢を見るか？

補章　高校数学の補強編　微分を思い出そう！
　　　――微分と勾配の関係は？――
1  微分と勾配の関係？
2  定数の微分
3  関数の和の微分公式
4  関数の積の微分公式
5  1次式の微分
6  2次式の微分
7  対数の計算公式
8  logの微分
9  指数関数の微分
10  偏微分について
11  各章での微分計算の詳述
12  補章の公式集&合成関数の微分公式

おわりに

参考文献