第1章　ディープラーニングとは
　　1.1　ディープラーニングの背景
　　1.2　ニューラルネットワークの基礎理論と発展
　　1.3　画像分類タスクを学ぶことで得られる汎用的スキル
　　1.4　プログラミング環境の構築
　　1章の章末問題

第2章　PyTorchによるモデル構築パターン
　　2.1　モデル学習におけるデータの種類
　　2.2　教師あり学習におけるモデル学習サイクル
　　2.3　コードテンプレートを活用したディープラーニングの実装手法
　　2章の章末問題

第3章　テンソル操作と自動微分
　　3.1　テンソルの次元数
　　3.2　テンソル基本操作
　　3.3　テンソルを活用した自動微分の仕組み
　　3.4　テンソルを活用した学習ループと最適化関数
　　3章の章末問題

第4章　MLPベースのモデル構築プログラミング
　　4.1　ネットワーク構成のカスタマイズ
　　4.2　オリジナル画像データセットの作成
　　4.3　オリジナル画像データセットを対象としたMLPベースの画像分類モデル構築
　　4.4　K-Foldクロスバリデーションを用いた交差検証
　　4章の章末問題

第5章　過学習対策を施したMLPベースモデルの改良
　　5.1　過学習対策のためのプログラミング
　　5.2　過学習対策を施したMLPベースのモデル構築
　　5.3　混同行列を用いたクラス別性能評価
　　5章の章末問題

第6章　CNNの基礎
　　6.1　畳み込み層・プーリング層・全結合層
　　6.2　CNNにおけるカーネル・ストライド・パディングの相互作用
　　6.3　CNNベースのネットワーク構成方法
　　6章の章末問題

第7章　CNNベースのモデル構築プログラミング
　　7.1　オリジナル画像データを対象としたCNNベースのモデル構築手順
　　7.2　CNNベースのオリジナルモデルの改良
　　7.3　学習率のスケジュール調整機能の追加
　　7章の章末問題

第8章　転移学習プログラミング
　　8.1　転移学習とファインチューニング
　　8.2　パラメータの再学習と固定
　　8.3　CNNベースの学習済みモデルを用いた転移学習プログラミング
　　8章の章末問題

第9章　ViTの基礎
　　9.1　ViTの概要と特徴
　　9.2　ViTにおける処理の流れ
　　9.3　ViTにおける推論の流れ
　　9.4　ViTの推論過程の可視化と今後の展望
　　9章の章末問題

第10章　ViTベースのモデル構築プログラミング
　　10.1　ViTベースの学習済みモデルの種類
　　10.2　ViTベースの学習済みモデルを用いた転移学習
　　10.3　ViTベースの学習済みモデルに対するK-Foldクロスバリデーション
　　10.4　ViTモデルとSwin Transformerの比較分析
　　10章の章末問題

第11章　MLOpsの実践：MLflowによるモデル実験管理
　　11.1　MLOpsの考え方とMLflowの使い方
　　11.2　MLflowを用いたハイパーパラメータの比較（最適化関数編）
　　11.3　MLflowを用いたハイパーパラメータの比較（ミニバッチサイズ編）
　　11.4　MLflowを用いたハイパーパラメータの比較（学習率編）
　　11章の章末問題

第12章　FastAPIを用いたWebアプリケーションの構築
　　12.1　Gradioを用いた推論アプリケーション
　　12.2　FastAPIの基本的な使い方
　　12.3　FastAPIを用いた基本的なWebアプリケーション開発
　　12.4　学習済みモデルを用いた画像分類Webアプリケーションの構築
　　12章の章末問題

第13章　カスタムモデルによる画像分類Webアプリ開発
　　13.1　CNNベースの学習済みモデルを活用したWebアプリケーション構築
　　13.2　プロトタイプ1の構築
　　13.3　ViTベースの事前学習済みモデルを活用した転移学習モデルの構築
　　13.4　プロトタイプ2の構築
　　13章の章末問題

第14章　時系列データを対象とした画像分類モデルの応用
　　14.1　時系列データの画像変換技術
　　14.2　シンプルな多次元時系列データの分析
　　14.3　シンプルな多次元時系列データの分類
　　14.4　複雑な多次元時系列データの分類
　　14章の章末問題

参考文献
索引