E資格

E資格のシラバスをMindMapにしました。 学んだことを紐づけるのに使ってください! ※参考 E資格の試験出題範囲(シラバス)E2022#2〜 https://www.jdla.org/download/e-syllabus_2022/

Начать. Это бесплатно
или регистрация c помощью Вашего email-адреса
E資格 создатель Mind Map: E資格

1. 1. 応用数学

1.1. (1)確率・統計

1.1.1. ①一般的な確率分布

1.1.1.1. ベルヌーイ分布

1.1.1.2. 多項分布

1.1.1.3. ガウス分布

1.1.2. ②ベイズ則

1.2. (2)情報理論

1.2.1. ①情報量

2. 2. 機械学習

2.1. (1)機械学習の基礎

2.1.1. ①学習アルゴリズム

2.1.1.1. 教師あり学習

2.1.1.2. 教師なし学習

2.1.1.3. 半教師あり学習

2.1.1.4. 転移学習

2.1.2. ②機械学習課題

2.1.2.1. 能力、過剰適合、過少適合

2.1.3. ③ハイパーパラメーター

2.1.4. ④検証集合

2.1.4.1. 学習データ、検証データ、テストデータ

2.1.4.2. ホールドアウト法

2.1.4.3. k-分割交差検証法

2.1.5. ⑤最尤推定

2.1.5.1. 条件付き対数尤度と平均二乗誤差

2.2. (2)実用的な方法論

2.2.1. ①性能評価

2.2.2. ②ハイパーパラメータの選択

2.2.2.1. 手動でのハイパーパラメータ調整

2.2.2.2. グリッドサーチ

2.2.2.3. ランダムサーチ

2.2.2.4. モデルに基づくハイパーパラメータの最適化

2.3. (3)強化学習

2.3.1. ①方策勾配法

2.3.2. ②価値反復法

3. 3. 深層学習

3.1. (1)順伝播型ネットワーク

3.1.1. ①全結合型ニューラルネットワーク

3.1.2. ②損失関数

3.1.2.1. 最尤推定による条件付き分布の学習

3.1.3. ③活性化関数

3.1.3.1. シグモイド関数

3.1.3.2. Softmax関数

3.1.3.3. ReLU Leaky ReLU

3.1.3.4. tanh

3.1.4. ④誤差逆伝播法及びその他の微分アルゴリズム

3.1.4.1. 計算グラフ

3.1.4.2. 微分積分の連鎖率

3.1.4.3. 誤差逆伝播のための連鎖率の再帰的な適用

3.1.4.4. シンボル間の微分

3.1.4.5. 一般的な誤差逆伝播法

3.2. (2)深層モデルのための正則化

3.2.1. ①パラメータノルムペナルティ

3.2.1.1. L2パラメータ正則化

3.2.1.2. L1正則化

3.2.2. ②データ集合の拡張

3.2.2.1. Random Flip Erase Crop Contrast Brightness Rotate MixUp

3.2.3. ③ノイズに対する頑健性

3.2.4. ④マルチタスク学習

3.2.5. ⑤早期終了

3.2.6. ⑥スパース表現

3.2.7. ⑦バギングやその他のアンサンブル手法

3.2.8. ⑧ドロップアウト

3.3. (3)深層モデルのための最適化

3.3.1. ①学習と純粋な最適化の際

3.3.1.1. バッチアルゴリズムとミニバッチアルゴリズム

3.3.2. ②基本的なアルゴリズム

3.3.2.1. 確率勾配降下法

3.3.2.2. モメンタム

3.3.3. ③パラメータの初期化戦略

3.3.4. ④適応的な学習率を持つアルゴリズム

3.3.4.1. AdaGrad

3.3.4.2. RMSrop

3.3.4.3. Adam

3.3.5. ⑤最適化戦略とメタアルゴリズム

3.3.5.1. バッチ正規化

3.3.5.2. Layer正規化

3.3.5.3. Instance正規化

3.3.5.4. 教師あり事前学習

3.4. (4)畳み込みネットワーク

3.4.1. ①畳み込み処理

3.4.2. ②プーリング

3.5. (5)回帰結合型ニューラルネットワークと再帰的ネットワーク

3.5.1. ①回帰結合型のニューラルネットワーク

3.5.2. ②双方向 RNN

3.5.3. ③Encoder-Docoder と Sequence-toSequence

3.5.4. ④長期依存性の課題

3.5.5. ⑤ゲート付きRNN

3.5.5.1. LSTM

3.5.5.2. GRU

3.5.6. ⑥長期依存性の最適化

3.5.7. ⑦Attention

3.6. (6)生成モデル

3.6.1. ①識別モデルと生成モデル

3.6.2. ②オートエンコーダ

3.6.2.1. VAE

3.6.2.2. VQ-VAE

3.6.3. ③GAN

3.6.3.1. DCGAN

3.6.3.2. Conditional GAN

3.7. (7)深層強化学習

3.7.1. ①深層強化学習のモデル

3.7.1.1. AlphaGo

3.7.1.2. A3C

3.8. (8)グラフニューラルネットワーク

3.8.1. ①グラフ折りたたみ

3.9. (9)深層学習の適用方法

3.9.1. ①画像認識

3.9.1.1. GoogLeNet

3.9.1.2. ResNet, WideResNet

3.9.1.3. DenseNet

3.9.1.4. EfficientNet

3.9.2. ②画像の局在化・検知・セグメンテーション

3.9.2.1. FasterR-CNN

3.9.2.2. YOLO

3.9.2.3. SSD

3.9.2.4. MaskR-CNN

3.9.2.5. FCOS

3.9.3. ③自然言語処理

3.9.3.1. WordEmbedding

3.9.3.2. Transformer

3.9.3.3. BERT

3.9.3.4. GPT-n

3.9.4. ④音声処理

3.9.4.1. WaveNet

3.9.4.2. サンプリング、短時間フーリエ変換、メル尺度

3.9.4.3. CTC

3.9.5. ⑤スタイル変換

3.9.5.1. pix2pix

3.10. (10)距離学習 (Metric Learning)

3.10.1. ①2サンプルによる比較

3.10.1.1. SiameseNet

3.10.2. ②3サンプルによる比較

3.10.2.1. TripletLoss

3.11. (11)メタ学習 (Meta Learning)

3.11.1. ①初期値の獲得

3.11.1.1. MAML

3.12. (12)深層学習の説明性

3.12.1. ①判定根拠の可視化

3.12.1.1. Grad-NAM

3.12.2. ②モデルの近似

3.12.2.1. LIME

3.12.2.2. SHAP

4. 4. 開発・運用環境

4.1. (1)ミドルウェア

4.1.1. ①深層学習ライブラリ

4.2. (2) エッジコンピューティング

4.2.1. ①軽量なモデル

4.2.1.1. MobileNet

4.2.2. ②モデルの軽量化

4.2.2.1. プルーニング

4.2.2.2. 蒸留

4.2.2.3. 量子化

4.3. (3)分散処理

4.3.1. ①モデル並列

4.3.2. ②データ並列

4.4. (4)アクセラレータ

4.4.1. ①デバイスによる高速化

4.4.1.1. GPU

4.5. (5)環境構築

4.5.1. ①コンテナ型仮想化

4.5.1.1. Docker