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）
5.3転移学習と深層学習の調整
この節の要点
少データで賢く——転移学習/ファインチューニング、SageMaker JumpStart、ドロップアウト/バッチ正規化、データ拡張、early stopping——を理解します。
ゼロから学習するには大量のデータと計算が要ります。転移学習なら、事前学習済みモデルを少量のデータでファインチューニングして効率よく作れます。
5.3.1転移学習と正則化
- 転移学習/ファインチューニング：事前学習済みモデルを少量データで適応。データ・計算を節約。
- SageMaker JumpStart：事前学習済みモデルやソリューションをすぐ使えるハブ。
- ドロップアウト/バッチ正規化：深層ネットの過学習を抑え学習を安定させる。
- データ拡張/early stopping：画像の回転/反転などでデータを水増し、検証悪化で学習を早期終了。
試験ポイント
「ラベル付きデータが少ない＝転移学習/ファインチューニング（JumpStart）」「深層ネットの過学習＝ドロップアウト/データ拡張/early stopping」「学習の安定化＝バッチ正規化」 は MLS-C01 で頻出です。少ないデータで高精度を出したい、なら事前学習済みモデルの活用が定番解です。