講義シラバス（2024#2～）
全1,000ページ以上の詳細な講義資料を使い、AIの仕組みをわかりやすく解説し、E資格に出題される要点をお伝えします。
PyTorchと、TensorFlow両コース対応。ただし、PyTorchはライブ・オンラインともに対応してますが、TensorFlowコースは、ライブ講座のみです。
※2024#2～対応の動画講義は3月より公開となります。
| 章立て | 大項目 | 中項目 | 小項目 |
|---|---|---|---|
| 第１章 | 数学的基礎 | 確率・統計 情報理論 | 確率モデルにおけるパラメータ推定、 情報理論 |
| 第２章 | 機械学習 | 機械学習の基礎 | パターン認識、機械学習の分類、機械学習の課題、検証集合、性能指標 |
| 第３章 | 深層学習の基礎 | 順伝播型ネットワーク 深層モデルのための最適化 深層モデルのための正則化 畳み込みニューラルネットワーク リカレントニューラルネットワーク Transformer 汎化性能向上のためのテクニック | 深層学習の基礎、
多層パーセプトロン、
出力層と損失関数、
活性化関数 基本的なアルゴリズム、 誤差逆伝播法 適応的な学習率を持つアルゴリズム、 パラメータの初期化戦略 パラメータノルムペナルティー、 確率的削除 陰的正則化 畳み込みニューラルネットワーク リカレントニューラルネットワーク、 ゲート機構、 系列変換、 Transformer データ集合の拡張、 正規化 アンサンブル手法、 ハイパーパラメータの選択 PyTorch |
| 第４章 | 深層学習の応用 | 画像認識 物体検出 セマンティックセグメンテーション 自然言語処理 生成モデル 深層強化学習 様々な学習方法 深層学習の説明性 | ResNet, WideResNet、
Vision Transformer FasterR-CNN, MaskR-CNN、 YOLO, SSD FCOS、 FCN, U-Net WordEmbedding、 BERT、 GPT-n 識別モデルと生成モデル、 オートエンコーダ、 GAN 深層強化学習のモデル 転移学習、 半教師あり学習と自己教師あり学習 能動学習（Active Learning）、 距離学習（Metric Learning） メタ学習（Meta Learning）、 判断根拠の可視化 モデルの近似 |
| 第５章 | 開発・運用環境 | エッジコンピューティング 分散処理 アクセラレータ 環境構築 | モデルの軽量化、
並列分散処理 デバイスによる高速化、 コンテナ型仮想化（Docker） |
※講義動画 約25時間 ＋ 演習・確認テスト ＋ 修了試験 ＋ 修了課題
体系立てたカリキュラム
基礎から応用までしっかりと実力をつけられるようなカリキュラム設計をしています。また、「データ分析力を高めたい」や「人工知能技術で注目を集めているディープラーニングをみっちり学びたい」といった個別のご要望にお応えできるよう、ご要望に合わせた複線的なカリキュラムを設けております。
カリキュラムの概要紹介
ディープラーニング基礎
ニューラルネットワークの仕組み、勾配降下法、誤差逆伝搬法など、ディープラーニングを理解する上で必須の内容について学習していきます。
出典：R. Abedini , M. Esfandyari , A. Nezhadmoghadam and B. Rahmanian, “The Prediction of Undersaturated Crude Oil Viscosity: An Artificial Neural Network and Fuzzy Model Approach,” Petroleum Science and Technology, vol. 30, no. 19, pp. 2008–2021, 2012.
画像認識
ディープラーニング技術が特に効果を発揮しているのが画像の分野です。画像認識のためのCNNの応用、画像認識ライブラリのOpenCVを学習します。また、「どこに物体が写っているか？」と「何が写っているか？」を同時に予測する物体検出手法であるYOLOやSSDといった手法を学習します。
時系列分析
時間的な前後関係を学習することで、予測モデルを構築することができます。時系列データを扱うために、RNN（リカレントニューラルネットワーク）やLSTMなどの仕組みを中心に学習していきます。
自然言語処理
「機械翻訳」、「音声認識」、「画像キャプションの生成」など、自然言語処理にディープラーニングの技術は用いられています。言語を数値やベクトルとして扱う考え方から解説し、系列変換モデルのSeq2SeqやAttentionを学習していきます。
出典：Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.
I. Sutskever, O. Vinyals, and Q. Le, "Sequence to Sequence Learning with Neural Networks," NIPS 2014
強化学習
明確な教師データがない問題に対しても効果を発揮する学習方法です。 囲碁の人工知能「AlphaGo Zero」は強化学習をベースに学習をしています。 価値関数や方策関数といった用語の理解から、Deep Q学習などの仕組みなどについて学習していきます。
出典：Richard S. Sutton and Andrew G. Barto. 2017. Reinforcement Learning: An Introduction. Second edition.The MIT Press.
生成モデル
データセットで生成する確率分布をモデル化することで、未知のデータや欠損値を生成することができます。 画像、動画、音声、文章などの創作への活用が注目されている分野です。 生成モデルで代表的なGANやVAEなどのアルゴリズムを学習していきます。
出典：Image-to-Image Translation with Conditional Adversarial Networks.