Medical AI with Python– category –
-
[Medical AI with Python: P67] Vision Transformer (ViT) — Transformerアーキテクチャを画像認識に応用する新時代のモデルを学ぶ
TL; DR (要約) 「もしAIが、画像を文章として読んだら？」という革命的な発想から生まれたVision Transformer (ViT)。 自然言語処理の王者Transformerを画像認識に応用した、次世代AIの要点です。 ① 発想の転換(画像を文章に見立てる) 画像をジグソーパズ... -
[Medical AI with Python: P66] 自己教師あり学習 — 大量のラベル無しデータからAIが自ら学ぶ「独学」の技術を理解する
TL; DR (要約) AIは「正解ラベル」がなくても賢くなれます。その秘密が、AI自身が問題を作って学ぶ「自己教師あり学習」です。 これは、現代の高性能AIを支える最も重要な「独学」の技術です。 ① 基本的な考え方(自作クイズで独学) AIにラベル無しデータか... -
[Medical AI with Python: P65] 生成モデル入門③ 拡散モデル (Diffusion Models) — ノイズを除去する過程で画像を創り出す、新時代の生成AI原理を学ぶ
TL; DR (要約) AI画像生成の新たな王者、拡散モデル。その発想は「完璧な砂絵を壊し、その逆再生を学習する」こと。 ノイズから「美」を創造する、最先端の生成AIの核心を3ステップで解説します。 ① 基本のアイデア(砂絵の逆再生) 拡散: 綺麗な画像をノイ... -
[Medical AI with Python: P64] 生成モデル入門② 潜在変数モデル (VAE/GAN) — データを抽象的な「潜在空間」へ写し取り、創造する仕組みを学ぶ
TL; DR (要約) AIが「分類する評論家」から、新しいデータを「創造する芸術家」へ。 データの本質を「設計図(潜在空間)」として学び、創造する2大生成モデルVAEとGANの比較です。 VAE (変分オートエンコーダ)【安定志向の優等生】 仕組み: データを「平均... -
[Medical AI with Python: P63] 学習の「ペース配分」を最適化する：学習率スケジューリング入門
TL; DR (要約) AIの学習もマラソンと同じで「ペース配分」が重要。ずっと同じ速度では最高の性能は出ません。 学習率を賢く調整する学習率スケジューリングの要点です。 ① ウォームアップ (助走)学習のスタート 学習初期はごく低い学習率から始め、徐々に... -
[Medical AI with Python: P61] 深層学習の「高速道路」：ResNetとスキップ接続の革新
TL; DR (要約) AIを深くすると、なぜか性能が劣化する「深さの壁」。 この壁を「バイパス（スキップ接続）」という天才的な近道で打ち破ったのが、現代AIの礎ResNetです。 ① 課題(深さの壁) 層を深くしすぎると、AIが「何もしない」ことすら学べず、学習信... -
[Medical AI with Python: P62] 深層学習の「安定化装置」：正規化層と重みの初期化
TL; DR (要約) 深いAIの学習は、情報が歪む「伝言ゲーム」のようで不安定でした。 学習を高速化・安定化させるための、2つの必須テクニック「正規化層」と「重みの初期化」の要点です。 ① 課題(内部共変量シフト) 層が深くなると、学習中に各層への入力デ... -
[Medical AI with Python: P27] 初めての総合演習！多層ニューラルネットで疾患予測に挑戦
TL; DR (要約) AI開発は料理と同じ。良い食材（データ）を正しく下ごしらえし、レシピ通りに調理し、最後に味見（評価）する。 この総合演習では、心疾患予測をテーマに、AI開発のフルコースレシピを最初から最後まで体験します。 ① データの下ごしらえ(ED... -
[Medical AI with Python: P72] 学習の成果を未来へ！モデルの保存・読み込みと推論の実践
TL; DR (要約) 何日もかけて育てたAIの「知識」が、プログラムを閉じると消えてしまう…。 AIの知識をファイルに保存し、いつでも呼び出して新しいデータで予測（推論）させる、超実践的な技術の要点です。 ① AIの知識の正体(state_dict) AIが学習した「知... -
[Medical AI with Python: P71] 過学習とアンダーフィットを検出し、対策を講じよう
TL; DR (要約) AIは「学びすぎ(過学習)」ても「学び足りない(未学習)」てもダメ。 モデルの性能を最大化し、未知のデータにも強い「ちょうど良い学習」を実現するための、3つの必須テクニックです。 ① アーリーストッピング(学習の「潮時」) 検証データの...
