Chapter 13
総まとめ：ひと目で見るAIマップ
Ch01〜Ch12で学んだ内容を一つのネットワーク図にまとめて確認できます。
チャプター別 ディープラーニング図
チャプターを進めるたびに、下の図が少しずつ埋まります。ここまでの構造です。
Chapter 01 ベクトル内積：データの似ているところを見つける
X → Y.
Chapter 02 行列の積：一度に計算する魔法
X → Y.
Chapter 03 線形層：重要度を決める重み
X → Y.
Chapter 04 活性化関数：AIに判断力を足す
入力Xに応じて出力Yが非線形に変わる代表的な活性化関数です。（3段階量子化版）
Y = Sigmoid(X)
Y = ReLU(X)
Y = Tanh₃(X)
X → Y.
Chapter 05 人工ニューロン：情報を集め信号を送る単位
X → 重み付き和 → ReLU → Y.
Chapter 06 バッチ処理：まとめて一度に学習
だから結果Yも一つの表で一度に出ます。
入力表 X1列＝1サンプル
X1
X2
X3
サンプル 1
サンプル 2
サンプル 3
→同じ W, b一度に計算
結果 Y← 同じW,bで一度に出た結果
サンプル 1
サンプル 2
サンプル 3
Y1
Y2
Y3
入力が一つの表にまとまると、結果Yも一つの表で一度に出ます。
Chapter 07 重み付き結合：知性を作る無数の鎖
層と層の間の各線が重み(w)です。入力に重みをかけて足し、バイアス(b)を足すと次の層Yになります。
丸が値、線が重み(w)です。重み付き和にバイアス(b)を足した値が次の層Yです。
Chapter 08 隠れ層：見えない思考の深さ
見えるのは入力(X)と出力(Y)だけ。その間の層はネットワーク内だけで使う表現なので隠れ層です。
見える: 入力→見えない: 隠れ(H)→見える: 出力
値は入力→隠れ層→出力と流れます。隠れ層は見えない内部表現です。
Chapter 09 深いネットワーク：より複雑な問題を解く力
深い＝隠れ層(中間段階)が多い。ディープラーニングの「ディープ」がこの深さです。
段階が多いほど深いネットワーク。深いほどより細かいパターンを学べます。
Chapter 10 幅とニューロン：一度に多くの特徴を見つける
一つの層のニューロン数が幅です。幅が広いほどその段階でより多くの特徴を同時に扱えます。
Chapter 11 ソフトマックス：結果を確信に変える
Softmaxスコア→確率（例: eを3とする）
スコア
3
1
0
→
中間
27
3
1
3のべき乗
3³=27
3¹=3
3⁰=1
→
確率
27/31
3/31
1/31
合計で割る
27÷31=27/31
3÷31=3/31
1÷31=1/31
3をかけると 27(3の3乗)
27/31=27 ÷ 31
Chapter 12 勾配と逆伝播：失敗から学ぶ
Y → H → X
全体のまとめ
下の図はCh01〜Ch12の内容を一つのネットワークにまとめたものです。入力 X → 隠れ層(A,B,C,D) → 出力 Y、その間に重み(W)・活性化(ReLU等)・バッチ・勾配(∇)がどう付くかが分かります。
実際の学習は順伝播（計算）→損失→逆伝播（勾配）→重み更新の繰り返しです。このコースを終えると、その流れを計算で追えるようになります。