第5章 · 高度なモデリングと深層学習·v2.0.0·更新 2026/6/3·読了目安 約11分
変更要約: MLS-C01 第5章を深掘り（出力層と損失の対応/Adam/学習診断・CNN/RNN/Transformer内部とタスク対応/二乗計算量・転移学習3段階/Ground Truth/分散学習/混合精度＋比較表・シナリオ・FAQ・ひっかけ、図ja化）
5.2深層学習アーキテクチャ
この節の要点
データに合う構造——CNN（画像）、RNN/LSTM（系列）、Transformer（言語）、用途別の選択——を理解します。データの性質でアーキテクチャを選びます。
深層学習ではデータの性質に合うアーキテクチャを選びます。画像・系列・言語でそれぞれ定番があります。
5.2.1アーキテクチャの使い分け
- CNN：画像/空間データ。畳み込みで局所特徴を学ぶ。画像分類・物体検出。
- RNN/LSTM：系列/時系列。ステップ間の記憶を持ち、テキスト・音声・時系列に使う。
- Transformer：言語。注意機構で長距離の文脈を捉え、並列化しやすい（BERT/GPT）。
- 選択の指針：画像→CNN、系列→RNN/LSTM、言語→Transformer。
試験ポイント
「画像認識＝CNN」「時系列/系列データ＝RNN/LSTM」「自然言語の長距離文脈＝Transformer（注意機構）」 は MLS-C01 で頻出です。データが画像なら CNN、順序が意味を持つなら RNN/LSTM、と素早く対応づけます。