Pythonで学ぶAI活用入門|JTEX 職業訓練法人日本技能教育開発センター

JTEXが取り組むSDGsの目標
プライバシーマーク制度
SuperGrace
  • Twitter
  • YouTube JTEXチャンネル
-最新情報をお届けいたします-

講座詳細

Web提出可

電子ブックあり

Pythonで学ぶAI活用入門

講座コード: E45

受講期間:3ヵ月

レベル:入門 初級 

レポート提出方式: マークシート マークシート Web提出 Web提出

特別受講料(税込):19,800

一般受講料(税込):22,000

お申込み(個人)

カゴに入れる

お申込み(法人)

講座資料をダウンロードする

こんなコースです

実践的AI基礎講座―具体的に機械学習の概念と利用法がわかる
これからAIの活用を考えている技術者の方を対象とし、現在AIの代表的技術である機械学習に焦点をあて、どのようにプログラミングしていくのか、その概観を学ぶ講座です。
Python言語の機械学習ツールを利用して、ひととおり機械学習のプロセスを回す際に気をつけるべきポイントを解説します。
  • ★AIの概要を学び、機械学習の基本的な考え方、各手法の特徴とともに利用手順を学びます。
  • ★「教師あり学習」と「教師なし学習」の概要―手順をPythonの機械学習ツールの利用例を通じて理解します。
  • ★ディープラーニングの概要とツールの利用例を学びます。

ねらいと特色

  • 機械学習の考え方や概念が、具体例を通して理解できます。
  • 豊富な事例で、代表的機械学習ツールであるPythonのscikit-learnの基礎的利用法がわかります。
  • ディープラーニングツールKerasの基本的利用法がわかります。
  • データをどのように識別していくのか、その方法を具体的に学びます。

教材構成

  • テキスト:1冊(電子ブック対応)
  • レポート回数:3回(Web提出可)

主な項目

No. 主 な 項 目
1
第1章 AIの概要
AIとは
AIの歴史
AI分野の俯瞰

第2章 機械学習の概要
機械学習とは
機械学習の要素
機械学習の分類
教師あり学習
教師なし学習
半教師あり学習
ディープラーニング
強化学習

第3章 機械学習の基本的な手順
機械学習の流れ
データセット
データフォーマット
前処理
次元の呪い
主成分分析による次元圧縮
バイアスとバリアンス
評価方法:クロスバリデーション
簡単な識別器:k-近傍法
評価指標
ROC曲線

第4章 Pythonによる機械学習の手順
プログラミング環境準備
仮想環境の構築
scikit-learnによる機械学習の基本的な流れ
K-近傍法によるIrisデータの識別
識別境界面の描画
近傍数kの影響
2
第5章 教師あり学習[1]
識別(1): 決定木学習
決定木学習の基礎
決定木学習によるIrisデータの識別実装例

識別(2): ナイーブベイズ分類器
統計的機械学習とは
MAP推定によるナイーブベイズ分類器
簡単な例
ゼロ頻度問題への対処
ナイーブベイズ分類器によるゴルフプレー識別実装例

識別(3) ロジスティック回帰
ロジスティック回帰の基礎
正則化による過剰適合の抑制
ロジスティック回帰による手書き文字認識実装例

第6章 教師あり学習[2]
識別(4): ニューラルネットワーク
ニューラルネットワークの基礎
効率的な学習テクニック
多層パーセプトロンによる手書き文字認識実装例

識別(5): サポートベクタマシン
サポートベクタマシンの基礎
入れ子の交差検証によるハイパーパラメータ調整
ハイパーパラメータ最適化
SVMによる乳がん診断データの識別実装例

回帰
線形回帰
線形基底回帰
ニューラルネットワークによる回帰
サポートベクタ回帰
回帰問題の評価指標
逐次特徴選択
各種回帰手法による住宅価格推定実装例
3
第7章 教師なし学習
クラスタリング
階層型クラスタリング
k-meansクラスタリング
ガウス混合モデル
自己組織化マップ(SOM)
クラスタリングの評価指標
SOMによるglassデータのクラスタリングと可視化実装例

異常検知
異常検知の基本的な考え方
評価指標
Local Outlier Factor
One-Class SVM
Isolation Forest
機器の振動データに対する異常検知実装例

第8章 ディープラーニング
ディープラーニングの概要
ディープラーニングと表現学習
AutoEncoderによる事前学習
Dropoutによる過剰適合の抑制
畳み込みニューラルネットワーク(CNN)
学習済みモデルの活用
時系列データの学習:RNNとLSTM
ディープラーニングツール
AutoEncoder+DNN,MLP,CNNによる手書き文字認識実装例

受講者の声

ある程度の数学知識やPythonのプログラミング知識が前提の難易度設定が良かった。サンプルプログラムが豊富で実際に活かす場合のイメージが掴みやすかった。

サンプルプログラムを動かして進めるので、座学に終わることなく最後まで続けられました。

PYTHONの使い方と機械化学習を同時に学習できて良かったです。仕事で使えるアイデアや手法が分かりました。テキストではもう少し統計学の基本的な部分の説明が欲しかったです。また、何度も出てくる手法や項目は、ページ数などの表記を欄外にでも表示してもらえれば有難かったです。探すのに大変でした。

難解ではありましたが十分今後に生かせる内容が系統的に勉強出来た

機械学習についての知識があまりなかったのですが、今回の受講によって基本的な学習方法を学ぶことが出来ました。また、知識なしからだと理解に時間がかかりましたが、今後も熟読して理解を深めていこうと思っています。