講義構成
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。
※フレームワークはPyTorchと、TensorFlow両コース対応しています。
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。
| 日程 | テーマ | 内容 |
|---|---|---|
| 第１回 | 機械学習・数学 | 機械学習の概要、機械学習の流れ、機械学習の手法、機械学習の評価検証、機械学習の精度改善、確率・統計、統計的推定、情報理論 |
| 第２回 | ディープラーニングの概要と仕組み | ニューラルネットワークの概要、順伝播、誤差、逆伝播、学習工程の工夫 |
| 第３回 | ディープラーニングの実装と改良 | DNNの実装、DNNの最適化アルゴリズム、DNNの改善手法、PyTorch |
| 第４回 | コンピュータビジョン１ | 画像認識、CNNの仕組みと実装、CNNの精度改善、CNN型モデル |
| 第５回 | コンピュータビジョン２ | 物体検出、セグメンテーション、その他画像処理手法 |
| 第６回 | 自然言語処理 | 自然言語処理、RNN、系列変換モデル |
| 第７回 | 生成モデル、音声技術、その他応用手法 | 生成モデル、音声認識、XAI、グラフ畳み込み、メトリックラーニング、メタラーニング |
| 第８回 | 強化学習、開発・運用技術 | 強化学習の概要、強化学習アルゴリズム、深層強化学習モデル、開発・運用技術 |
※講義3時間／回（全8回）＋演習・確認テスト
AIビジネス講座、Python講座、数学・統計学講座、実務向け実践講座は別途オプションで受講可能。
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.