本書は深層学習について実装しながら中身を理解しようという趣旨の本である。データのTrain、Testの分割など機械学習の初歩的な話から、逆伝播など普段ライブラリで実装されていて意識することが少ない、深層学習の基礎についての実装もある。本書の後半ではオプティマイザーや重みの初期化などについても踏み込んでおり、モデルの実装やパラメータチューニング時などに発生する問題にも対処できるように配慮されている。

本書のゴールは第7章のCNN（畳み込みニューラルネットワーク）による画像分類であり、ここでこれまで実装してきたプログラムが完成する。また、CNNの仕組みや概念の説明はかなり丁寧で、この章だけでも一読する価値があるように思う。

以上のことから、お勧めできる人は以下の1~3である。

1. 将来機械学習エンジニアを目指している人で、就職や研究まで時間のある人
2. プログラミングが少しできる、深層学習の周りの非エンジニアのビジネスパーソン(AIベンチャーの営業担当など)
3. 実務で深層学習を扱っているが仕組みの理解に自信がない人

1.のようなタイプの人の場合、腰を据えて学習することができるので、本書を一読することで将来のキャリアの基礎とすることができる。

2.の方の場合、ProgateなどでPythonについて軽く触れてから取り組んだ方が良いと思われる。深層学習についての理解が深まるので、エンジニアが何をやっているか？　が理解しやすくなる。

3.のようなデータサイエンティストや機械学習エンジニアについても場合によってはお勧めできる。これらの職種では扱っている機械学習の手法が多く、またほとんど深層学習に触れてなかったが最近使うようになったというケースも考えられるので、気になるところのつまみ読みするだけでも理解を深めることができる。

今まで述べた通り、本書ではニューラルネットワークの仕組みを作りながら理解することを重視しているため、実務への即効性ではなく、足腰を鍛えるタイプの本だと言える。

1章 Python入門
2章 パーセプトロン
3章 ニューラルネットワーク
4章 ニューラルネットワークの学習
5章 誤差伝播法
6章 学習に関するテクニック
7章 畳み込みニューラルネットワーク
8章 ディープラーニング
付録A Softmax-with-Lossレイヤーの計算グラフ

・

秦智音