第60回日本植物生理学会年会 データベース講習会の発表資料

1. 60th Annual Meeting of the Japanese Society of Plant Physiologists
深層学習による植物注釈タスクとPublic Cloud活用法
神沼英里
東京医科歯科大学 医療データ科学推進室 特任講師
兼) 国立遺伝学研究所 生命情報・DDBJセンター 外来研究員
兼) 産業技術総合研究所 人工知能研究センター 機械学習研究チーム 協力研究員
Date : March 14, 2019
Time: 9:00 - 12:00
Venue : Higashiyama Campus, Nagoya University
*申告すべきCOIはございません
*本講演は個人的見解です

2. (Kaminuma et al., NAR 2010)
1. NGS Sequence
Annotation Pipeline on
NIG Supercomputer
2. Plant DNA
Polymorphism
Annotation Database
4. Citrus SNP Genotyping
Array Design
5. CrowdScience Catalog
3. SNP-Trait Heritability
Curation Database
(Mochizuki et al., 2017)
(Shimizu et al., Acta H.2016)(Kaminuma et al., NAR 2013)
http://p.ddbj.nig.ac.jp/
http://tga.nig.ac.jp/dnapod/
http://tga.nig.ac.jp/h2db/
(Kaminuma et al., JSAI 2016 report)
6. BioSample Tag Annotation
Research Topics (2010～2019) :
“Automatic Annotation” in Bioinformatics
Accacactggtactgagacacggacc
agactcctacgggaggcagcagtgag
gaatattggacaatggagggaactctg
atccagccatgccgcgtgcaggaaga
ctgccctatgggttgtaaactgcttttat
acaagaagaataagagatacgtgtat
cttgatgacggtattgtaagaataagc
accggctaactccgtgccagcagccgc
ggtaatacggagggtgcaagcgttatc
cggaatcattgggtttaaagggtccgta
ggcggattaataagtcagtggtgaaag
tctgcagcttaactgtagaattgccattg
atactgttagtcttgaattattatgaagt
agttagaatatgtagtgtagcggtgaa
atgcatagatattaca
sequence
tagging
BioSample
annotations
INSDC FlatFile
Format
①DNA-based
smart tagging tools
DNA sequence
Tentatively
Offline for
PI Law Update
②Image-based smart
tagging tools
Image
image
tagging
→Merged into Kazusa DNA Institute’s
Plant Integrated DB
Collaborated with Kashima Lab. (Kyoto Univ. )
Collaborated with NARO Institute
of Fruit Tree Science
(Kaminuma et al., 12th Soc
Meeting of Genome Biol, 2018)

3. accacactggtactgagacacggacca
gactcctacgggaggcagcagtgagg
aatattggacaatggagggaactctga
tccagccatgccgcgtgcaggaagact
gccctatgggttgtaaactgcttttatac
aagaagaataagagatacgtgtatctt
gatgacggtattgtaagaataagcacc
ggctaactccgtgccagcagccgcggt
aatacggagggtgcaagcgttatccgg
aatcattgggtttaaagggtccgtaggc
ggattaataagtcagtggtgaaagtctg
cagcttaactgtagaattgccattgata
ctgttagtcttgaattattatgaagtagt
tagaatatgtagtgtagcggtgaaatgc
atagatattaca
機械学習で注釈タグ
属性値予測
DDBJ登録DNA配列の入力
深層学習研究事例
DNASmartTagger: DNA配列からの注釈タグ予測ツールの開発
ZONE Attribute
Value
Altitude
Zone Code
ALPINE ZONE 1500m -- Z3
MONTANE
ZONE
800m--
1500m
Z2
LOWLAND
ZONE
0--800m Z1
Input SVM
(CV kfold=10)
CNN
(CV kfold=10)
k-mer freq 0.77 0.80
5’end fragm 0.72 0.73
■Model performances between input parameters
Evaluation Measure: Accuracy
Qualifier 注釈タグ一覧
■標高タグ(/altitude)のカテゴリ化
■DNASmartTaggerの提案
■ 5,431 Sequences with Annotation for PLN Division,
Keyword Fungi (Retrieved from DDBJ ARSA)
DNA配列からの真菌の標高注釈を予測
共同研究メンバ
(遺伝研)
*Takatomo Fujisawa
*Fumi Hayashi
*Yasukazu Nakamura
*Toshihisa Takagi
*Osamu Ogasawara
(産総研)
*Jun Sese

4. ①深層学習とは?
畳み込みニューラルネットワーク

5. ディープラーニングとは、多層人工ニューラルネットワークの機械学習
■深層学習（ディープラーニング）とは
＊機械学習の手法の1つ
＊神経を模した人工ニューラルネットワーク(Artificial Neural Network:ANN)を使う
＊人工ニューラルネットワークの多層化が重要
＜多層人工ニューラルネットワーク:Deep Neural Network(DNN)＞
画像
テキスト
センサー信号
隠れ層
（中間層）入力層
出力層
出力

6. ディープラーニングのモデルの種類と研究事例
学習方
法
教師あり
(Supervised)
教師なし
(Unsupervised)
モデル
種類
＊Convolutional Neural Network(CNN)
特に画像分類
＊Recurrent Neural Network(RNN)
特に時系列解析
LSTM(Long short-term memory)
＊Autoencoders
＊Deep Belief Networks (DBNs)
＊Generative Adversarial
Networks (GANs)
課題 分類、回帰 クラスタリング、次元削減
■教師あり、教師なしのモデル種類
■研究事例(CNNは後述)
＊RNN
◇インフルエンザの発生予測(Biosci Trends 20:533, 2017)
＊GAN
◇ Amyloid PET画像から構造化MR画像を生成(Choi H, J Nucl Med 117.199414,2017)
◇白内障手術シミュレータ用の外科手術画像データ生成
(Zisimopoulos et al., Healthc Technol Lett 14:216. 2017)
■その他、強化学習（Deep Q Network：DQN）の研究事例
◇放射線治療での最適な線量選択(Tseng H, Med Phys 44：6690 2017)
◇テキストエンティティ認識(Feng Y, Comput Intell Neurosci. 7643065, 2017)

7. GAN:敵対的生成ネットワーク
教師なし
DNNの代表モデルCNN, RNN, GAN, DQNの論文引用
RNN: 再帰型ニューラルネットワーク
教師あり
DQN:Deep-Q-Network
強化学習
(Nair et al., ICML Workshop 2015)
(Mnih et al., Nature 518:529, 2015)
Feedback loopを持つ
(LuCun et al, Nature 521:436, 2015)
(LuCun et al, Nature 521:436, 2015)
(Goodfellow et al, arXiv:1406.2661, 2014)
https://stats.stackexchange.com/questio
ns/277756/some-general-questions-on-
generative-adversarial-networks
より画像引用
CNN: 畳み込みニューラルネットワーク
教師あり

8. Hinton博士によるILSVRC2012画像分類モデルが
深層学習ブームの火付け役
■ ILSVRC（ImageNet Large Scale Visual Recognition Competition）
＊画像認識の競技会
＊ImageNet＝注釈付き画像(120万訓練,10万テスト)
＊カテゴリ分類（一般物体認識）タスクでCNNがブレイクスルー
■Hinton博士(トロント大)の2012年優勝モデル
＊AlexNet＝8層のConvolutiona l Neural Network
＊分類エラーは前年値を大幅削減
＊職人技ヒューリスティックに勝利
AlexNetの構造
mNeuron：Visualize
A Single Neuron
http://vision03.csail.mit.ed
u/cnn_art/index.html

9. 畳み込みニューラルネットワーク（CNN）の著名モデル
■ILSVRC優勝モデルの分類エラーの推移
(Russakovsky, IJCV2015, arxiv:1409.0575)
■著名モデルの構造視覚化
（by J.Cohen）
従来
深層学習
Name Year # of Layers 後継著名モデル
AlexNet 2012 8
VGG16 2014 16 VGG19
GoogLeNet 2014 22 Inception-V3,V4
ResNet 2015 152 ResNet50
26
16
28
12
6.7
3.6
http://josephpcohen.com/w/visualizing-
cnn-architectures-side-by-side-with-mxnet/

10. 畳み込みニューラルネットワークの構造を理解する
Softmax
FC
FC
Pool
Conv
Pool
Conv
Conv
Input
Softmax
FC
FC
FC
Pool
Conv
Conv
Pool
Conv
Conv
Pool
Conv
Conv
Pool
Conv
Conv
Pool
Conv
Conv
Input
AlexNet VGG
■CNNの基本構造は、3種類の層の積み重ね
①畳み込み層（Conv: Convolution Layer）
②プーリング層(Pool: Pooling Layer)
③完全連結層(FC: Fully Connected Layer)
■勾配消失問題
層が深くなると学習時に
低層で勾配が0になる
↓
入力信号総和に活性化関数
適用で対処
■活性化関数の種類
ReLU, Sigmoid, Step, etc.
畳み込み後の活性化関数
↓
ReLUが一番性能が良い
（正規化線形関数、ランプ関数）
青がReLU(図出展：wikipedia)
(図出展：wikipedia)

11. ■CNNのイメージ図
畳み込み層とプーリング層
が重なる図
「畳み込み層」と「プーリング層」
■プーリング層（Pool ）■畳み込み層(Conv)
＊ダウンサンプリング
＊平行移動などの変化に頑健にする
＊層サイズを縮小＝計算コストを下げる
(引用元：Wikipedia: Max Pooling Method)
(https://de.wikipedia.org/wiki/Convolutional_Neural_Network)
引用元http://machinelearninguru.com/_images/topics/computer_vision/basics/convolutional_layer_1/stride1.gif
＊画像フィルタリング
＊エッジ強調やぼかし操作により特徴抽出を行う
(LuCun et al, Nature 521:436, 2015)
■CNNの視覚化デモ
http://cs231n.stanford.edu/
gifでデモを確認可能

12. 深層学習フレームワークTensorflowとKeras
■2017年深層学習フレームワークランキング
https://github.com/thedataincubator/data-science-
blogs/blob/master/output/DL_libraries_final_Rankings.csv
*TensorflowはGoogleの深層学習ライブラリ
*Keras は深層学習のラッパーライブラリ。
モデルの記述が簡単にできる点に特徴がある。
最近Rにも組み込まれた。Backendライブラリは下記。
＊TensorFlow
＊Theano
＊MXNet
＊CNTK
＊deeplearning4j
* Kerasで利用可能なモデルと精度(ImageNet)
https://keras.io/ja/applications/

13. 学習済モデルのデータベース
Tensorflow Hub
＊ImageNet以外のデータセットで
の学習済モデルも掲載
＊ImageNet＝注釈付き画像
データベース
(120万訓練,10万テスト)
■学習済モデルを公開

14. ②植物画像分類の深層学習研究の紹介
＜事例から学ぶ＞

15. 葉病理診断で
画像色空間は処理無「Color」が精度高
色空間別分類精度
Color > Color Segmented >> Grayscale
[Mohanty et al, 2016]

16. 葉病理課題で、
CNNモデルはAlexNetよりGoogLeNetが精度高
CNNモデル別分類精度： GoogLeNet※ > AlexNet
[Mohanty et al, 2016]
AlexNet CNN
+ CNN元祖のHinton博士の有名モデル
+ ILSVRC2012の優勝モデル
+ 8 layers network
GoogLeNet CNN
+ ILSVRC2014の優勝モデル
+ 22 layers network
https://leonardoaraujosantos.gitbooks.io/artificialinteligence/content/image_folder_5/GoogleNet.png
※当時のモデルの為、注意すること

17. 葉病理診断で、
訓練済モデルを活用する転移学習が精度高
学習方法別分類精度：
訓練済モデルの転移学習 > Scratchから学習
[Mohanty et al, 2016]
http://www.image-net.org/

18. 植物種同定課題で、
ウェブ取得したNoisy Labels画像を追加する方式が精度高
訓練データ追加の精度比較：
精査済＋非精査利用 > 精査済のみ利用
[Atito et al, 2017]
→ 精査していない注釈データでも、訓練データに使用可

19. 植物種同定課題で、
部位別認識精度は「花＞全体＞果実＞葉」
[Goeau et al, 2017]
PlantCLEF2017
複数の条件をまとめて分類する場合も、検討する

20. 果実カウント課題で、生成画像を訓練データに活用
■シミュレーション画像を生成して訓練データを補う。
Deep Count: Fruit Counting Based on
Deep Simulated Learning
(Rahnemoonfar et al., Sensors 17:905, 2017)
Inception-
ResNet.
精度
*91%(実画像)
*93%(合成画像)
少ない訓練データをシミュレーション生成で補完する戦略は最近のトレンド

21. 深層学習の画像分類研究の事例（植物）
深層学習の研究事例 深層学習モデ
ル
発表時期 論文番号
ハイパースペクトル画像でブルーベ
リー内部の機械的損傷を検出
ResNet
(CNN)
2018.4 PMID： 29642454
雑草画像から、9段階の成長ステージ
を推定
Inception-V3
(CNN)
2018.5 PMID： 29772666
ダイズ土壌試料の顕微鏡画像から、
害虫（シストセンチュウ）の卵を同定
Convolutional
Autoencoder
2018.6 PMID： 29904135
トウモロコシ半数体を種子画像から選
別
オリジナル
(CNN)
2018.8 PMID： 30367590
複数の種や撮影条件に亘って
ロゼット葉の枚数をカウント
ResNet50
(CNN)
2018.11 PMID： 30101442
圃場画像からのコムギの穂の検出 オリジナル
(CNN+RNN)
2018.11 PMID： 30459822
画像から1,000植物種の識別 Inception-
ResNet-v2
2019.1 PMID： 30606100

22. ③深層学習のための
訓練データの準備
データは新たな石油

23. Deep Learningは、データ増加で性能向上
Stanford大学Andrew Ng教授のスライド
http://cs229.stanford.edu/materials/CS229-DeepLearning.pdf
■Deep Learningは訓練データ増加でモデル性能向上
（従来アルゴリズムは精度が頭打ち）
■アルゴリズムの性能が飽和に近付けば、
訓練データを大量に持つ組織や研究者が、AIの世界では強くなる。
（※中国産AIが米国産AIより強くなると言われる理由）
ex. 個人識別AI

24. 学習データの準備方法
学習データの準備方法 REAL/FAKE 注意 準備コスト
1 オリジナルデータを収集 実物 ＊王道 大
2 既存データを収集
（オープンデータを
Webからダウンロード）
実物 ＊邪道
＊著作権問題
小
3 オリジナルデータを生成 合成 ＊(未来の)王道 小
オープンデータの検索方法
①Google Dataset Search
②Image Search
③Public Database Search(ex.DDBJ)
：
+ 知的財産権
https://toolbox.google.com/datasetsearch

25. オープンデータ①
Google Dataset Searchによる訓練データセット検索
■ Google Dataset Search：オープンデータの検索システム（2018.9リリース）
データセットの検索は、二段階で行われます。第一段階では、インターネットクローラーにより、データセットが存在す
るウェブページがインデックスされます。第二段階では、これらインデックスされたページがランクされます。
データセットが検索されるためには、データ所有者がページに「タグ付け」する必要があります。データセットのタグは、
Schma.orgで定めた辞書を用いる必要があります。
キーワード検索
schema.org /
Dataset標準
を使用してサ
イトに構造化
されたメタ
データを追加
https://ai.googleblog.com/2018/09/building-google-dataset-search-and.html
よりGoogle Dataset Searchの背後にあるテクノロジーの概要

26. オープンデータ②
Google Dataset Searchの「Arabidopsis」検索結果
＊検索情報はメタデータのみ。実データはダウンロードの手作業が必要
＊Datadryad.org、GEO、PLoS One、Mendeley Data、Kaggle、 UCI Repository等がヒット

27. 深層学習と知的財産権
人工知能に関する知的財産権まとめ
（2017年7月時点）
①学習データ＝公開しなければコピー可(著作権47条7)
＊Webの公開画像を、学習素材として利用可能
＊学習した素材の画像は公開不可
＊海外で同様に出来ない（要注意）
②学習済モデル＝著作物として保護（コピー不可）
＊転移学習に用いる為に、学習済モデルは重要
③創作コンテンツ＝著作物として保護しない（コピー可）
＊イギリスのみ著作物として５０年保護(コピー不可)＋AIソフト開発企業に帰属。
改正著作権法（2019年1月1日から施行）
http://www.bunka.go.jp/seisaku/chosakuken/hokaisei/h30_hokaisei/pdf/r1406693_02.pdf
文化庁の解説

28. ④Public Cloudとは
＜DNNの計算環境＞

29. Public Cloudとは① Cloud Computing
＊クラウドとは
Cloudとは、ユーザがインターネット経由でデータセンターに設置された計算機を
利用する形態。Cloud Computingの省略形で、Cloud(クラウド)と呼ばれる理由は、
インターネット上のネットワークを雲(Cloud)に見立ている為。
引用：Wikipediaのクラウドコンピューティング画像
SaaS (Software as a Service)
PaaS (Platform as a Service)
IaaS (Hardware / Infrastracture
as a Service)
Cloudサービスの分類
https://upload.wikimedia.org/wikipedia/commons/thu
mb/b/b5/Cloud_computing.svg/600px-
Cloud_computing.svg.png

30. Public Cloudとは② 配置形態による分類
＊クラウドの配置形態での分類
①Public Cloud ＝ インターネット上に公開されたクラウド環境
②Private Cloud ＝ 非公開の社内利用のみのクラウド環境
③Hybrid Cloud ＝ Public CloudとPrivate Cloudのハイブリッド環境
https://ja.wikipedia.org/wiki/%E3%83%95%E3%82%A1%E3%82%A4%E3%83%AB:Cloud_computing_types.svg
オンプレミス

31. Public CloudでGPUを活用：深層学習は10倍程度の計算時間短縮に
ＧＰＵの選択肢 ①ＧＰＵ搭載パソコン購入、
②スーパーコンピュータ利用、③クラウド利用
■GPU(Graphics Processing Unit)
Deep Learningの多くのフレームワークは、NVIDIAのCUDA(ハードウェア)向けの
NVIDIA CUDA® Deep Neural Network library (cuDNN) (ソフトウェア:開発SDK)を利用
■GPUの性能表（NVIDIAのHPより）
https://www.nvidia.co.jp/object/caffe-benchmarks-jp.html

32. 深層学習Platformの選択肢（GPU利用の計算機環境）
■共同利用スーパーコンピュータ
スパコン名称 提供機関 課金状況 主要データベース
遺伝研スパコン 国立遺伝学研究所
/DDBJ
無償・課金(優先)
2019年3月リプレース
SRA, NCBIミラー(REFSEQ
等)
ABCI 産総研AIRC AI特化、課金
2018年8月公開
？
＊スパコン導入時期が古くなると、AI利用(GPU)の場合はDNN最新ツールが動かない事がある。
■商用クラウド
名称 提供機関 課金状況 設置済データベース
AWS Cloud Amazon 課金 1000 genomes,
TCGA cancer genomics, ICGC
3000 rice genomes,
Genome in a bottle
Google Cloud
Platform
Google 課金 1000 genomes, Reference Genomes,
TCGA cancer genomics
Simons genome diversity project
Microsoft Azure Microsoft 課金 1000 genomes
IoT装置からのデータ収集で、今後オンプレミスからクラウドに移行する流れ
その他では、IBM CloudやAlibaba Cloudが有名

33. Amazon Web Service(AWS)
■AWS = Amazon社が提供するPublic Cloud, 業界最大手
＊機械学習基盤（SageMaker）
Amazon SageMakerのビルトイン深層学習ツール群
2
＊IoT装置からのセンシングデータ収集基盤（IoT Greengrass）
＊サポート程度は中程度
＊初心者～中～玄人向け
＊講習会の機会が多い
＊多くの企業が利用
https://aws.amazon.com/jp/sagemaker/
https://aws.amazon.com/jp/greengrass/

34. Google Cloud Platform (GCP)
■GCP = 米国Google社が提供するPublic Cloud、AI研究を主導
＊Tensorflow（深層学習フレームワーク）
＊AutoML (モデリング自動化)
＊Google Colaboratory(無料GPU環境)
＊DeepMind社はGoogle傘下に注意
（AlphaGO, AlphaFold, etc)
＊サポート程度は低（ほぼ無し）
＊玄人向け
＊トラブルに対処する力が必要
https://console.cloud.google.com/
https://deepmind.com/blog/alphafold/

35. Microsoft Azure
＊サポート程度は中～高
＊初心者向け
＊GUI機能など簡便だが、課金額に注意
■Azure = 米国Microsoft社が提供するPublic Cloud、業界2位
Azure Machine Learning
Studio
https://azure.microsoft.com/ja-
jp/services/machine-learning-studio/
IoT デバイス
https://azure.microsoft.com/ja-jp/overview/iot/

36. 商用クラウドのシェア(2018年)
2018年第3四半期
AWSが34%でシェア首位
(Synergy Research Group報告)
https://techcrunch.com/wp-content/uploads/2018/07/image002.jpg
https://www.srgresearch.com/articles/aws-leading-
public-cloud-market-all-major-regions

37. 教育研究用の無料GPUクラウド
「Google Colaboratory」
■Google Colaboratory(Google Colab)
＊ AIの研究と教育のための、無料GPUクラウド環境
＊制限有（時間、メモリ、ディスク容量）
＊Google社に全データと全解析ログを提供していると考えて使うべき
※大事な実験データは、有償クラウドでの計算が無難
■Google Colabの始め方
＊Google アカウントを取得、Webブラウザ(Chrome推奨)からログインする。
＊Google 検索で「Google Colab」にアクセス
https://colab.research.google.com/

38. 「Google Colaboratory」のJupyter Notebook環境で
Pythonコマンドを実行
注意：
AWS, Microsoft Azureも
機械学習モデル化のために、
Jupyter Notebook環境を提供中
■Google Colabの実行画面
Microsoft azureの例

39. ⑤センサー情報の収集、エッジ端末
IoT x AI の世界

40. IoT x AI事例① (Strawberry Disease Prediction)
■ IoT(Internet of Things) = 「モノ」のインターネット
＊センサーデータをCloudで蓄積
＊蓄積データからCloud上でAIモデル構築 (Cloud AI)
2018.10 (PMID: 30463363)

41. エッジコンピューティングとは
■Edge AI端末＝AIモデルが設置された端末。Cloud接続無で端末上でAI推論が動く仕組み。
※通常はCloudに設置したAIモデルを、インターネット経由で使う
※端末で動かすには、軽量のAIモデルが必要。
AWS DeepLens
https://www.amazon.com/dp/B075Y3CK37
AWS DeepRacer
https://www.amazon.com/dp/B07JMHRKQG
その他
＊温湿度異常検知システム
＊自動運転ドローン
＊自動運転トラック
：

42. エッジコンピューティング用に
軽量の深層学習モデルが発展
https://keras.io/ja/applications/
■ ImageNet学習済モデルに見る、予測精度とサイズのトレードオフ
InceptionResNet-v2
＊572層
＊予測精度は高いが、
モデルサイズも大きい。
＊edge端末に入らない
MobileNet
＊88層
＊予測精度はそれなり
＊モデルサイズが小さい
＊edge端末利用を想定

43. エッジコンピューティング用の
専用プロセッサ、フレームワークの開発進む
■ProcessorもEdge computing用の開発が進む
＊Google Edge TPU＝Edge端末用の深層学習推論用プロセッサ（2019.3.5発売）
＊Tensorflow Lite＝Edge端末用の深層学習フレームワーク
https://cloud.google.com/edge-tpu/

44. AI・データサイエンスのための
参考情報

45. AIデータ活用コンソーシアムが発足
（2019月3月）
「日本の」AIデータの流通を促進する目的のコンソーシアムを発足。
http://www.aidatacon.com/
3つの作業部会を設置
(1)知的財産
機械学習で使用するデータ、AIによって生成されるデータの権利関係を検討
(2)法令
海外で進むゲノム・個人情報を含むデータ活用における法令、ガイドラインの
調査・検討を進める
(3)データ共有基盤
多種多様なデータを共有する上で求められるサービス基盤を検討する。
京都大学、東京大学などの教育機関、日本マイクロソフト等の事業者が参画
注意：Azureがデータ共有基盤システムに??

46. 参考書＝データサイエンティストの必須知識を
理解する
2017年3月発行
「データサイエンティスト養成読本：登竜門編」
技術評論社
＊登竜門編＝初心者向け
＊データサイエンティストに最低限必要な知識が
コンパクトにまとまっている。理解し易い。
第1章 データサイエンティストへの道標
(高橋 淳一、野村 嗣)
第2章 データ分析環境構築ガイド(西村隆宏)
第3章 はじめてのシェル(水上ひろき)
第4章 データベース入門の入門(林田賢二)
第5章 RStudio/Jupyter 最速攻略(森 清貴)
第6章 データ前処理の基礎知識(越水直人)
第7章 くらべて学ぶR/Excelデータ分析の基本(露崎博之)
第8章 クローラでWeb上の情報を収集しよう! (早川敦士)
第9章 コーディング前に知りたい統計知識(牧允皓)
第10章 さまざまなデータの理解と表現(水上ひろき)
第11章 機械学習超入門(黒柳敬一)
初級レベル

47. 参考書＝深層学習の事例を知る
2018年10月発行
「ディープラーニング活用の教科書」
日本ディープラーニング協会 (監修), 日経クロストレンド (編集)
日経BP社
初級～
中級レベル
第1章 ディープラーニングの発展予測
第2章 [Step1] 人の「眼」となり単純作業から解放する
第3章 [Step2] 「五感」を担い行動予測や異常検知を実現
第4章 [Step3] 現実社会に柔軟に対応 「ロボット」「自動運転」の時代
第5章 「創作」業務へも広がる活用範囲
第6章 ビジネス活用Q&A
──向く分野/向かない分野、データ、人材、投資などの悩みに回答

48. 参考書＝深層学習を中心としたAI分野の
必須知識を理解する
中級レベル
以上
2018年10月発行
「ディープラーニングG検定公式テキスト」
翔泳社
第1章 人工知能(AI)とは
第2章 人工知能をめぐる動向
第3章 人工知能分野の問題
第4章 機機械学習の具体的手法
第5章ディープラーニングの概要
第6章 ディープラーニングの手法
第7章 ディープラーニングの研究分野
第8章 ディープラーニングの応用に向けて(1)産業への応用
8-1 ものづくり領域における応用事例
8-2 モビリティ領域における応用事例
8-3 医療領域における応用事例
8-4 介護領域における応用事例
8-5 インフラ・防犯・監視領域における応用事例
8-6 サービス・小売・飲食店領域における応用事例
8-7 その他領域における応用事例
第9章 ディープラーニングの応用に向けて(2)法律・倫理・現行の議論
9-1 AIと社会
9-2 プロダクトを考える
9-3 データを集める
9-4 データを加工・分析・学習させる
9-5 実装・運用・評価する
9-6 クライシス・マネジメントをする
深層学習周辺の最低限の
知識が、この本１冊に
まとめられている。

49. 深層学習の参考ウェブサイト
（※情報サイトでプログラミング・コードを検索）
https://github.com/topics/deep-learning
■Github ■Qiita (日本語)
https://qiita.com/tags/深層学習
＊論文発表のコードも公開されている
＊深層学習ライブラリもGithubで公開
＊日本語サイト
＊豊富なタグで検索可能
中級レベル
以上

50. 参考書＝深層学習の理解に役立つ
（※プログラミング・コードが付属している本）
2016年9月発行 2018年4月発行
＊深層学習ライブラリは使わない
＊PythonのNumPyで自分で関数を
書く事で、深層学習の処理を理解
＊後半がTensorflowの解説
＊元google勤務の著者
＊Kerasは使わない
＊前半は機械学習一般
中級レベル
以上

51. 文部科学省データ関連人材育成プログラム(D-DRIVE)
：AI人材育成予算の1つ
■H29年度、4機関採択
＊大学院生・ポスドク人材＝無料
＊企業人材＝有料(ex. 200万円)
＊企業のAI講座は、40～80万円の価格帯。
＊文部科学省の予算終了までが
無料受講のチャンス（かもしれない）
＊どの機関でも受講可能
(H30年度は北海道大学採択：スマートインフラ)
初級～
中級レベル

52. ⑤ハンズオン
[Google Colabを用いた深層学習画像分類]

53. GPUとCPUの計算時間を比較しよう

54. Thank you for your attention!
Acknowledgements:
・TMDU : Hiroshi Tanaka, Takeshi Hase, Katsuyuki Takeuchi
・DDBJ : Jun Mashima, Yuichi Kodama, Yuji Ashizawa, Tomohiko Yasuda,
Naofumi Ishikawa, Tomohiro Hirai, Tomoka Watanabe, Chiharu Kawagoe,
Emi Yokoyama, Kimiko Suzuki, Junko Kohira, Toshiaki Tokimatsu,
Takeshi Kawashima, Osamu Ogasawara, Yasukazu Nakamura,
Masanori Arita, Toshihisa Takagi
・ NIG : Fumi Hayashi, Takako Mochizuki, Yasuhiro Tanizawa, Naoko Sakamoto,
Takatomo Fujisawa
・ AIRC : Jun Sese, Motoko Tsuji, Yukiko Ochi
・ NARO : Tokurou Shimizu, Keisuke Nonaka
・ RIKEN : Norio Kobayashi, Satoshi Kume, Yasuhiro Murakawa
・ RinkaiHackathon : Masaaki Yoshida, Mayuko Hamada, Kunifumi Tagawa,
Yoshiaki Morino, Norio Miyamoto