目次

Kerasを用いたディープラーニング（LSTM）による株価予測

・誰でもディープラーニングの時代
・なぜ株価予測なのか
・本稿のゴール
・株価データの入手と加工
・ラベルデータの作成
・CSVファイルの取り込み
・学習データのテンソル化と、訓練データ／評価データ／テストデータへの分割
・ニューラルネットワーク構築
・メイン処理
・入力データの種類の追加
・patienceのチューニング
・Further Study
・終わりに

挑戦！ word2vecで自然言語処理（Keras＋TensorFlow使用）

・ディープラーニングと自然言語処理
・自然言語のベクトル化手法「word2vec」
・本稿のゴール
・word2vecの特徴
・訓練データの入手
・形態素解析
・CSVファイルの取り込み
・辞書データの作成
・訓練データ作成
・ニューラルネットワーク構築
・メイン処理
・評価
・Further Study
・終わりに

word2vecリターンズ！ 品詞分類による精度改善

・word2vecの意義と応用分野
・本稿のゴール
・前回のおさらい
・品詞分類データの入手
・正解率算出の見直し
・埋め込みベクトル次元の拡大
・品詞分類を適用したword2vecの実装
・品詞データ作成処理
・辞書データの作成
・品詞データ用辞書作成
・訓練データ作成
・ニューラルネットワーク構築
・メイン処理
・正解率の算出
・評価
・前後の単語数を増加させた時の結果
・終わりに

ディープラーニングで自動筆記 − Kerasを用いた文書生成（前編）

・ディープラーニングによる文書生成
・なぜ文書生成か
・本稿のゴール
・訓練データの入手
・形態素解析
・実装
・辞書データの作成
・訓練データ作成
・ニューラルネットワーク構築
・メイン処理
・学習と改善
・文書生成
・単語出現頻度による分類と、正解率改善
・出現頻度による単語分類
・出現頻度別単語予測
・結果確認
・次回予告

ディープラーニングで自動筆記 − Kerasを用いた文書生成（後編）

・前回のおさらい
・本稿のゴール
・出現頻度分類ニューラルネットの改善
・出現頻度分類ニューラルネット改善後の文書生成結果
・LSTM多段化による精度改善
・単語推定ニューラルネットの出力次元削減
・LSTM多段化と出力次元削減実施後の文書生成結果
・江戸川乱歩に無関係な文章を入力にしてみる
・おわりに