E資格対策パック¥110,000(税込)

日本ディープラーニング協会が主催する E 資格の合格を目指す方のための高度で専門的なパックです。かなりハイエンドなコンテンツが含まれるため、手厚いサポートをご希望の方には Aidemy Premium がオススメです (Aidemy Select ではサポートの提供はございません)。

パッケージ内容

Python 入門
【英語版コース有り】 機械学習で最も使われるプログラミング言語「Python」の基礎を学びます。文字の出力、変数の概要、条件分岐、ループなど、「Python」の基本的な使い方をマスターしましょう。
機械学習概論
【英語版コース有り】 機械学習の基本や精度評価の方法などを学びます。ここでは、機械学習のアルゴリズムの初歩の初歩に触れていきます。ここで学んだことはどんなアルゴリズムでも必ず出現するので、機械学習や深層学習を初めて学ぶ人は必ずこのコースを受講することを奨励します。
ライブラリ「Pandas」基礎(表計算)
「Python」のデータ分析用ライブラリ「Pandas(パンダス)」の基礎を学びます。「Pandas」を用いることで数表や時系列データの計算が楽になり、定量データ解析には必須のライブラリです。
ライブラリ「Matplotlib」基礎(可視化)
データ可視化コースでは、matplotlibを用いてデータを可視化する方法を学びます。折れ線グラフ、円グラフ、ヒストグラム等の作成から、3Dグラフを作成する方法まで学びます。
機械学習のための線形代数
機械学習や深層学習の理論で使う数学の基礎、主に線形代数を学びます。
確率論・情報理論
本コースでは機械学習を学ぶ上で必要な確率論や情報理論を学びます。
【新】ライブラリ「NumPy」基礎(数値計算)
「Python」で大量のデータを扱う際に利用されるライブラリ「NumPy(ナンパイ)」の基礎を学びます。「NumPy」を用いることで、効率的な科学技術計算が可能になり、機械学習分野に必須のライブラリです。
教師あり学習(回帰)
【英語版コース有り】 教師あり学習とは、正解ラベル付きのデータセットを使って機械学習モデルを作る手法です。そのなかでも、今回は数値予測を行うための「回帰」モデルの扱い方を確認します。
教師あり学習(分類)
【英語版コース有り】 教師あり学習とは、正解ラベル付きのデータセットを使って機械学習モデルを作る手法です。そのなかでも、今回は画像や文章などをカテゴリ分けする「分類」モデルの扱い方を確認します。
教師なし学習
【英語版コース有り】 教師なし学習とは、正解ラベルが付いていないデータセットを使って機械学習モデルを作る手法です。今回は、クラスタリングや主成分分析といったアルゴリズムの手法を概観します。
理論から学ぶ機械学習
機械学習の代表的な手法を理論から学び、NumPyを用いて実装します。
ディープラーニング基礎
【英語版コース有り】 深層学習(ディープラーニング)のアルゴリズムの詳細と実装を概観します。今回はディープラーニングのなかで最も基礎的なアルゴリズムであるDNN(ディープニューラルネットワーク)を用いて手書き文字認識に挑戦します。
順伝播型ネットワーク
深層学習における順伝播型ネットワークを学びます。順伝播型ネットワークとは回帰構造を持たない深層学習の構造を指します。
生成モデル
生成モデルとは観測データを生成する確率分布を観測データから推定するモデルです。識別モデルと同様に、条件付き確率 𝑃(𝑦|𝑥) を予測しますが、その方法が異なります。生成モデルから始まり、VAE、GANといった手法を学びます。
深層モデルのための最適化
深層モデルの学習に用いられる最適化アルゴリズムについて学びます。
深層学習のための正則化
このコースでは、正則化や早期終了などの機械学習モデルの汎化性能を高める各手法について説明していきます。
CNNを用いた画像認識
深層学習(ディープラーニング)のアルゴリズムのなかで、主に画像認識で用いられ活用の幅が広いCNN(Convolutional Neural Network)の実装を概観します。今回はCNNを用いて手書き文字認識や一般物体認識に挑戦し、精度向上のテクニックや転移学習の実装に関して触れます。
CNN概論
この講座では、CNNの理論や応用例について取り扱います。また、CNNの代表的なネットワークについても学びます。
理論から学ぶRNN(回帰結合型ネットワーク)
本コースでは、時系列データを扱うのに効果を発揮するRNN(回帰結合型ネットワーク)を紹介し、その基礎を解説していきます。
理論から学ぶ強化学習
Chapter1では、強化学習の基礎である方策ベース(policy-based)と価値ベース(value-based)について紹介した後、Q学習からDQN(Deep Q-Network)の流れについて説明していきます。Chapter2では、強化学習を用いた手法の中の一つであるAlphaGoについて説明します。
スクラッチ実装して理論を体得する強化学習
強化学習とは、ある特定の環境のなかで、試行錯誤しながら最適な行動を発見する、機械学習の手法の一つでゲームAIなどによく使われる手法です。本コースでは、強化学習アルゴリズムをNumPyのみでスクラッチ実装しながら、強化学習のアルゴリズム理論を会得することを目標とし、最終的には簡単な迷路を強化学習で解いていきます。なお、このコースはAidemyの他コースと異なり、アルゴリズム理論そのものを把握することに主眼を置いています。そのため、大学数学レベルの確率(条件付き確率)の知識や、高校理系数学(数学Ⅲ)の知識を前提としています。
深層学習の適用(画像認識)
本コースでは、CNNの応用であるDenseNet、MobileNetについて紹介し、その基礎を解説していきます。
深層学習の適用(自然言語処理)
本コースでは一般的にword embeddingとも呼ばれる単語の埋め込み表現とTransformerについて学びます。Transformerは英語―ドイツ語翻訳、英語―フランス語翻訳といったタスクで、当時としては最高の性能を示しました。この発表以来、自然言語処理では、Transformerやその基盤手法であるAttentionを使ったモデル開発が主流と言えるほど広まっています。
深層学習の適用(pix2pix)
pix2pixは2016年、Phillip Isolaら米カルフォルニア大学バークレー校の研究グループ(Berkeley artificial intelligence research :BAIR)が開発した画像のスタイル変換処理をするソフトウェアです。手作業での変換処理の自動化や変換済み画像の復元といった処理ができます。
深層学習の適用(WaveNet)
本コースではWaveNetについて学びます。WaveNetはテキスト音声合成(text to speech: TTS)のディープラーニングモデルの一つです。TTSは、テキストデータの文章から音声を生成する技術です。2016年に米Google傘下の英DeepMindの研究チームによって発表されました。WaveNetより前に提案されてきた手法に比べ、高い精度で自然な音声が作れます。
分散処理
深層学習に演算に用いられるGPU、深層学習の処理時間を短縮する手法を紹介します。
深層学習ライブラリ
本コースでは深層学習ライブラリについて学びます。深層学習ライブラリは、深層学習のための「フレームワーク」と呼ばれるモジュールや、その「Higher API」をひとまとめに指す言葉として使われています。例えばフレームワークであれば、米Googleが開発した「TensorFlow(テンサーフロー、テンソルフロー)」や米Facebookの研究グループが開発した「PyTorch(パイトーチ)」などがあります。
モデル圧縮概論
処理速度を上げることを目的にモデルの軽量化を行うことを「モデル圧縮」と呼びます。本コースは、「モデル圧縮」の概論を理解したい方を想定受講者としており、モデル圧縮の概要、なぜモデル圧縮が必要なのか、モデル圧縮をする方法(蒸留、プルーニング、量子化)を理解することをゴールとしています。

E資格対策パックをはじめる

まずは、お気軽にお問い合わせください

お電話でもお問い合わせいただけます

03-6868-0998

受付時間:平日10時 - 17時