ディープラーニング（深層学習）は、機械学習に劇的な進展をもたらしました。
脳の神経回路に似せた“階層の深いニューラルネットワーク”の最適化手法が、
人工知能研究を新時代へ導いたのです。

本書は「基礎編」と「理論編」を通じ、その原理を初学者にも分かりやすく解説します。
画像認識分野での衝撃的な成果など、この技術が注目される背景や研究の歴史的経緯にも言及。
SuperVisionのチャレンジや「Googleの猫」といった実証研究を紹介するほか、
CNN、RNN、AutoEncoderといった代表的アルゴリズム、勾配法による
最適化計算の手法等も明らかにします。

さらに「体験編」では、Linuxユーザーを対象に、
オープンソースのディープラーニングフレームワーク“Caffe”、
および手描き文字のサンプルデータを用い、
ニューラルネットワークのパラメータチューニングを実験してみます。

Azure Machine Learningをわかった気になるために細かいことは気にせずに機械学習のことをまとめてみる - ディープラーニングの手前まで

◆基礎編◆

第1章	ディープラーニングとはなにか？
1.1　機械学習の概要
1.2　ディープラーニングの概要

第2章	ディープラーニングが切り開いた成果
2.1　ディープラーニングの歴史
2.2　音声認識での成果
2.3　画像認識での成果

◆理論編◆

第3章	ディープラーニングを利用した画像認識
3.1　画像認識とは？
3.2　従来の画像認識手法
3.3　ディープラーニングの利用
3.4　なぜ高い性能を実現できたのか？

第4章	ディープラーニングアルゴリズムの学習方法
4.1　ニューラルネットワークの構成要素
4.2　ニューラルネットワークの学習方法
4.3　ディープラーニングアルゴリズム

◆体験編◆

第5章	Caffeを準備する
5.1　Caffeについての基本知識
5.2　Caffeのインストール方法
5.3　Caffeの動かし方

第6章	Caffeでディープラーニングを体感する
6.1　サンプルプログラムを用いCaffeを動かす
6.2　自分で準備したデータをCaffeで利用する

付録
A.1　VMWareにUbuntuをインストールする方法	
A.2　UbuntuでCUDAを動くようにする
A.3　3層全結合ニューラルネットワークのパラメータファイル

初めてのディープラーニング －－オープンソース

Dockerとマイクロサービス。現在最も注目を集めている2大トピックを、Azure上でどのように実現するのかを解説。

第1章　マイクロサービス 
1.1 マイクロサービスとは何か 
1.1.1 自律的なサービス 
1.1.2 小さなサービス 
1.2 マイクロサービスの利点 
1.2.1 独立したデプロイ 
1.2.2 継続的イノベーション 
1.2.3 スケールとリソースの使用状況の改善 
1.2.4 テクノロジの多様性 
1.2.5 小さく焦点を絞ったチーム 
1.2.6 障害の分離 
1.3 課題 
1.3.1 複雑さ 
1.3.2 ネットワークの輻輳と遅延 
1.3.3 データの整合性 
1.3.4 テスト 
1.3.5 統合とバージョン管理 
1.3.6 サービスの検出とルーティング 
1.3.7 監視とログ 
1.3.8 スキルセットと経験 
1.3.9 アップタイムSLA 
1.4 ベストプラクティス 
1.4.1 カプセル化 
1.4.2 DevOps の原則と文化 
1.4.3 自動化 
1.4.4 監視 
1.4.5 耐障害性 
1.5 まとめ 

第2章　Azure のコンテナー 
2.1 仮想マシン、コンテナー、プロセス 
2.1.1 仮想マシンやプロセスではなくコンテナーを使用する状況とは 
2.2 Azure のコンテナー 
2.3 Docker を使ったAzure VM の作成 
2.3.1 Windows でのSSH 公開鍵の生成 
2.3.2 macOS でのSSH 公開鍵の生成 
2.3.3 仮想マシンイメージの選択 
2.3.4 SSH とGit Bash を使った仮想マシンへの接続：Windows 
2.3.5 SSH を使った仮想マシンへの接続：macOS 
2.3.6 Docker コンテナーの基礎 
2.4 まとめ 

第3章　アプリケーションの設計 
3.1 出発点の決定 
3.1.1 粗粒度のサービス 
3.1.2 マイクロサービスからの開始 
3.2 サービスとインターフェイスの定義 
3.2.1 アプリケーションの分割 
3.2.2 サービスの設計 
3.3 サービス間の通信 
3.3.1 同期リクエストとレスポンス 
3.3.2 非同期メッセージング 
3.4 モノリスからマイクロサービスへ 
3.5 flak.io EC サンプル 
3.5.1 flak.io 
3.5.2 要件 
3.5.3 アーキテクチャの概要 
3.5.4 検討すべき点 
3.6 まとめ 

第4章　開発環境のセットアップ 
4.1 ローカルでの開発にDocker を使用する 
4.1.1 ローカルでの開発 
4.1.2 本番モードでの検証 
4.1.3 ビルド／テストホストとしてのDocker 
4.2 開発の形態 
4.2.1 ローカル 
4.2.2 ローカルとクラウド 
4.2.3 クラウドのみ 
4.2.4 Docker 認証の管理 
4.2.5 ベースイメージの選択 
4.2.6 イメージの階層の構築 
4.3 ローカル開発環境のセットアップ 
4.3.1 Docker ツールのインストール 
4.3.2 開発者ツールのインストール 
4.3.3 Windows ユーティリティのインストール 
4.3.4 macOS ユーティリティのインストール 
4.4 ローカル開発でのDocker 
4.4.1 ローカル開発の設定 
4.4.2 ローカルDocker ホストの起動 
4.4.3 Docker ホストへの接続 
4.4.4 サンプルのクローン 
4.4.5 Docker コンテナーでのライブリロードの有効化 
4.4.6 ボリューム 
4.4.7 本番環境でマイクロサービスを使用するための準備 
4.5 Docker Compose 
4.6 Docker のデバッグ 
4.6.1 Docker ホストに接続できない 
4.6.2 コンテナーが起動しない 
4.6.3 実行中のコンテナーを診断する 
4.7 まとめ 
 
第5章　サービスのオーケストレーションと接続 
5.1 オーケストレーション 
5.2 プロビジョニング 
5.2.1 Infrastructure as Code 
5.2.2 Azure Resource Manager 
5.2.3 Azure Container Service 
5.2.4 マルチベンダープロビジョニング 
5.3 スケジューリングとクラスター管理 
5.3.1 課題 
5.3.2 スケジューリングソリューション 
5.3.3 Docker Swarm 
5.3.4 Kubernetes 
5.3.5 Apache Mesos 
5.3.6 Apache Mesos を使ったさまざまなワークロードの実行 
5.4 サービス検出 
5.4.1 サービスの登録 
5.4.2 サービスの検索 
5.4.3 サービスレジストリ 
5.4.4 テクノロジ 
5.5 その他のテクノロジ 
5.6 アプリケーション／ API ゲートウェイ 
5.7 オーバーレイネットワーキング 
5.8 まとめ 

第6章　DevOps と継続的デリバリ 
6.1 DevOps の概要 
6.1.1 現代のDevOps 
6.1.2 DevOps 文化 
6.2 継続的インテグレーション、継続的デリバリ、継続的デプロイメント 
6.2.1 Azure での環境の作成 
6.3 継続的デリバリによるマイクロサービスのデプロイ 
6.3.1 複数の環境にわたるアプリケーションの構成変更 
6.3.2 継続的インテグレーション 
6.3.3 QA 環境でのテスト 
6.3.4 ステージング環境へのデプロイ 
6.3.5 本番環境でのテスト 
6.4 継続的デリバリツールの選択 
6.4.1 オンプレミスか、ホステッドか 
6.4.2 オンプレミスビルドエージェントか、ホステッドビルドエージェントか 
6.4.3 最善のソリューションか、統合ソリューションか 
6.4.4 そのツールの拡張性は十分か 
6.4.5 Jenkins、Team Services、Bamboo の比較 
6.4.6 Docker Cloud 
6.5 まとめ 

第7章　監視 
7.1 ホストマシンの監視 
7.2 コンテナーの監視 
7.3 サービスの監視 
7.4 監視ソリューション 
7.4.1 Azure 診断 
7.4.2 Visual Studio Application Insights 
7.4.3 Microsoft Operations Management Suite 
7.4.4 Docker が推奨するソリューション 
7.5 まとめ 

第8章　Azure Service Fabric 
8.1 Azure Service Fabric の概要 
8.1.1 Service Fabric サブシステム 
8.2 クラスターの管理 
8.3 リソースのスケジューリング 
8.3.1 Service Fabric アプリケーション 
8.3.2 カスタムアプリケーション（既存のアプリケーション） 
8.3.3 コンテナーの統合 
8.4 サービス検出 
8.5 プログラミングモデル 
8.5.1 ステートレスサービス 
8.5.2 ステートフルサービス 
8.5.3 Reliable Actor API 
8.5.4 Reliable Service API 
8.6 アプリケーションのライフサイクル 
8.6.1 サービスの更新 
8.6.2 アプリケーションのアップグレード 
8.6.3 テスト容易性フレームワーク 
8.7 まとめ 

付録 A　ASP.NET Core 1.0 とマイクロサービス 
A.1 ASP.NET の新しいバージョン 
A.1.1 ASP.NET に取り組むための準備 
A.1.2 正しいASP.NET Docker イメージの選択 
A.1.3 Visual Studio 2015 のツール 
A.1.4 ASP.NET のマイクロサービスのベストプラクティス

マイクロサービス with Docker on Azure

電気羊の夢を見させるための第一歩！
　深層（多段層）ニューラルネットワークの構築は人工知能を模索する研究者にとっては、長年の課題であり夢でもあり、まさに研究対象でもあった。しかしただ単に多層化するだけでは、能力をうまく発揮することは出来なかった。近年、大きなブレークスルーがあり深層学習の手法を使うことにより、機械が自ら表現を学習出来ることが分かった。しかし、新しい手法でもあり、未解決な課題も多く存在している。
　本書は、この分野の最先端の著者らが、人工知能学会誌に掲載した連載解説を、大幅に加筆再編したものである。今までの到達点、今後の課題が、具体的な研究成果と共に書かれている。深層学習の理論・応用を、自らの研究に取り込むことを考えている読者には、まさに必携必読の書籍である。

初めての深層学習～うちの子はどっちに似てるの？？～

第I 部 基礎編
1.階層型ニューラルネットワークによる深層学習（麻生英樹）
2.深層ボルツマンマシン（安田宗樹）
3.事前学習とその周辺（前田新一）
4.大規模深層学習の実現技術（岡野原大輔）
第II 部 応用編
5.画像認識のための深層学習（岡谷貴之）
6.音声認識のための深層学習（久保陽太郎）
7.自然言語処理のための深層学習（ボレガラ ダヌシカ）

順位	圏外
総合点	0点
Googleの検索結果での点数	0点
Qiitaの記事での点数	0点
Twitterでの点数	0点

【Azure】マイクロサービス with Docker on Azureの評価
2021-05-04更新

Azure分野での評価

過去の順位の推移

Azure分野での評価？

過去の順位の推移？

Azure分野での評価

過去の順位の推移