クラスを受講した方の声
こんなことを学びます
データサイエンスと人工知能の概念
データサイエンスと人工知能の定義と分類
ディープラーニングの理論的知識
ディープラーニングの基盤となるニューラルネットワークから CNN や RNN まで
RGB イメージを分類するための CNN モデル
1 行ずつフォローしてわかりやすくするライブコーディング
転移学習
データが少ないときに使える転移学習
DCGANは初めてCNNとGANを組み合わせました
画像の分類から作成まで
ポジティブテキストとネガティブテキストを分類するための RNN モデル
基本的な自然言語処理と分類モデルの開発
ディープラーニングモデルを開発する能力
ディープラーニングモデルを開発するのに必要な能力
このコースは、Python ディープラーニング PyTorch の作成者が直接指導しています。
近年の人工知能の基礎となっている人工知能 (AI) とディープラーニングの概念について学びます。
| データサイエンスとは
| 人工知能とは？
人工知能の概念と、最近ディープラーニングが普及した理由についてお話します。さらに、人工知能がどこで使われていて、どのように発展しているのかについても話します。人工知能 (GAN、強化学習) の最近の動向と主要な課題についてお話します。
| マルチレイヤーパーセプトロン (MLP)
最初の人工知能と呼ばれる パーセプトロンとパーセプトロンの限界、そしてそれらを克服したMLPについて学ぶ.MLP はニューラルネットワークの基本構造と考えることができます。 MLP の学習アルゴリズム段階的にお知らせします。フィードフォワードとバックプロパゲーションについて説明し、長所と短所について説明します。
| ディープラーニングの定義
ディープラーニングの定義と、一般的なニューラルネットワークとの違いについて集中的に学んでください。NNのデメリットである勾配消失/オーバーフィットの問題を軽減できるアクティベーション関数、ドロップアウト、バッチ正規化を扱っています。さらに、分類だけでなく新機能についても学ぶことができるオートエンコーダについても説明します。
| 畳み込みニューラルネットワーク (CNN)
ディープラーニングの歴史を見ると、最も進んだモデルはおそらくCNN モデルだと思います。画像分類から始まり、飛躍的な進歩を遂げた CNN モデルを取り上げています。学習アルゴリズムの特徴と、一般的なNNとの違いについて説明しています。さらに、CNN のパフォーマンスを向上させるためのさまざまなアーキテクチャ (Resnet、Densenet)、初期化、最適化手法、転移学習についても説明します。
| リカレントニューラルネットワーク
自然言語の特性を反映できるリカレントニューラルネットワーク (RNN) ディープラーニングモデルについて学びます。彼らはRNNモデルの給餌プロセスを数値的に学習し、高度な長期短期記憶（LSTM）モデルとゲーテッドリカレントユニット（GRU）モデルも給餌プロセスを正式に説明します。
| 自然言語処理タスク
自然言語処理には多くのタスクがあります。その中で、最も代表的なタスクとして選ばれているタグ付けやニューラル機械翻訳とはどのようなタスクなのかを学びます。各タスクの具体例に加えて、分析方法の代表的なディープラーニングモデル構造が提示され、データの重み付けプロセスについても説明します。
| 注意
RNNモデルの限界と、それを改善するための方法論の中で自然言語処理の分野で最近出現したメカニズムであるアテンション手法を紹介します。アテンションメカニズムを用いたニューラル機械翻訳とアテンションメカニズムを用いたタグ付けのそれぞれがどのように適用できるかを説明します。また、 ここでは、現在自然言語処理分野の研究に力を入れているBert氏の簡単な紹介です。
| ジェネレーティブ・アドバーサリアル・ネットワーク
最近話題になっている人工知能のほとんどは、ディープラーニングモデルを使用しています。一般的な機械学習またはディープラーニングモデルは、分類と回帰で終わりました。
しかし、GANの登場は、人工知能の開発が一歩先を行っていたと言っても過言ではないほど大きなパラダイムをもたらしました。当時（4 ～ 5 年前）は、分類や予測を超えるデータを生成することは当時でも考えられませんでした（4 ～ 5 年前）。GANの登場により、強化学習（AlphaGoの基本原理）とともに、人工知能からは切り離せない分野になりました。
上の写真は、1年前の時点で最高のパフォーマンスを発揮しているGANが作成したフェイク画像で、実際にはこの世界には存在しません。現在、より高度なモデルが出ています。
| CycleGan（スタイルトランスファーの基本モデルとなったGAN）
[データ生成の先へ] 私たちは、GAN生成原理を用いて様々な分野への展開を始めました。その中でも代表的なモデルは、スタイルトランスファーモデルであるCycleGANです。写真のように絵を変えたり、絵のように絵を変えたり、昼と夜を変えたり、季節を変えたりします。
CycleGaN は、このようにイメージの 2 つのドメインを交換する GAN モデルです。このCycleGANは、スタイルトランスファーを活用したGANの基本的なベースラインモデルとなっています。
| CAN (芸術作品を生み出すGANモデル)
データを生成しても、結局は学習データ内で作成されるため、何も新しいことは生まれません。だから芸術とはほど遠い。なぜなら、学習データの中で作成しても、結局は「模倣」に過ぎないからです。
CANモデルは、GANの学習原理を少し変えることでアートを生み出します。彼らは人間を調査し、実際の芸術作品に近いスコアを獲得したと言われています。
| GANが応用・開発されているさまざまな分野
それ以外にも、GANはさまざまな分野で発展してきました。
画像ではなく機械学習用の構造化データを生成するラジアルGAN、学習データが少ない状況で多様で高品質な画像を生成する方法のモデルであるDeGan、複数のGANのモデルを組み合わせたMGAN、低画質を高解像度に変更するSRGANなど、さまざまなGANを簡単に紹介します。
| DS/AIを勉強するにはどうすればいいですか？
DS/AIを初めて学ぶ方へ一つアドバイスします。
-R 対パイソン
-人工知能を専攻していますか？
-リベラルアーツの学生になることは可能ですか？
-大学院は必須の選択肢ですか？
-AI関連の仕事と必要な能力
キットについて
Python 3.6 バージョンと Jupyter ノートブックがインストールされているラップトップまたはデスクトップが必要です。インストールしていなくても心配はいりません。まず、インストール手順に従いましょう。オペレーティングシステムが Linux でも Windows でも構いませんが、Windows 環境を推奨します。
ココが直接教える 1:1 コーチングチケット（2回）![]()
- コーチングチケット1枚につき、合計2つの質問をすることができます。
- 各質問について、500文字前後の回答を書いて送信します。
- まず、授業内容について分からなかったことや説明が足りなかったことについて質問すると、詳細な回答を差し上げます。
- 次に、データサイエンスや人工知能のキャリアに関連する学習の方向性、学習方法、カリキュラム、キャリアパスについてもご案内します。(大学院、就職、転職など)
- 3つ目は、レジュメやポートフォリオのレビューや書き方をご案内します。
- 他のクラスに関する質問については、回答の範囲内で心を込めて指導します。
- コーチングは、質問を受け取った日に基づいて、借り手によって順番に回答されます。これには少なくとも 7 ～ 10 日かかる場合があります。
- コーチングチケットは購入日から20週間使用できます。
- 期間内に使用しなかった場合、払い戻しは行われません。
📩 パッケージは一部変更される場合があり、変更があった場合は十分にお知らせします。
カリキュラム
クリエイター紹介
ココ
機械学習、人工知能、データ分析の研究はコチラ:) 人工知能を初めて勉強する時に苦労したことを考えるので、人工知能を初めて使う人にも簡単かつ迅速に教えます。もちろん、人工知能では数学や統計的な内容も重要ですが、それ以上に重要なのはそれを使う能力です。もちろん、数学や統計も教えますが、AIに慣れ親しんで使えるようになるためのお手伝いをします！
