【オンライン】0から学ぶ！未経験のためのAIエンジニア基礎講座セット【E資格対応】　2020/09/30(水)19:00〜22:00

2020.08.27

日程：2020/09/30(水)19:00〜22:00

【募集期間】
2020/08/15(土) 15:19 〜 2020/09/30(水) 22:00

会場：オンライン

主催：AVILEN

参加枠	申込形式	参加費	参加者
【お申し込みは下記フォームから】	先着順	110,000円当日現金支払い	0人／定員1人

お申し込みフォーム
概要
- E資格とは
ご受講に必要なもの
領収書をご希望の方へ
お問い合わせ
注意事項
AVILEN AI Trend （旧：全人類がわかる統計学）とは
各講座詳細
1. 機械学習のための数学マスターコース
2. 統計学マスターコース
3. 機械学習のためのPythonマスターコース
4. 機械学習マスターコース
5. ディープラーニングマスターコース
エントリー先

お申し込みフォーム

こちらからお申し込みください。

（イベント参加ボタンからはお申し込みできません）

入金確認後、1〜2日中に受講案内メールをお送りいたします。

※資料や動画の視聴期限は1年です。
※講義動画はオンライン講義用に最適化されています
※銀行振込・クレジットカード払い（Paypal）に対応しています。

概要

「E資格」合格率 94.4% を誇る、AVILENの「全人類がわかるE資格コース」の基礎講座が、オンライン上でまとめて受講できるようになりました！
各講座ごとに単品で申し込むのに比べ、セットなら５万円以上お得！

・AIエンジニアを目指している
・Pythonや数学、機械学習などの広い分野の基礎知識を、0から一度に学びたい
・いつでもどこでも受講したい（オンライン）

そんなあなたにオススメです！

↓セットに含まれる講座概要（詳細は本ページ最下部）

E資格とは

日本ディープラーニング協会（JDLA）が認定する、AIエンジニアの登竜門的資格。
開始から2年で受験者数が3倍近く増加するなど、注目を集めています！

E資格取得のプロセス

数学、Python、統計学、機械学習などの分野の基礎を身につける。
→本講座セットはこの段階
JDLA認定プログラム※のいずれか受講・修了し、E資格の受験資格を得る。
2年以内にE資格を受験・取得する。

※中でも、AVILENの「全人類がわかるE資格コース」は、【合格率94.4%】を達成しています！
「基礎講座セット」と「E資格コース」を合わせて申し込みたい場合には、こちらのフォームよりお進みください。

ご受講に必要なもの

pdfの資料を閲覧するためのデバイス（ノートPC、タブレットなど）
インターネット環境、ブラウザ（Google Chrome推奨）
Python3をインストールしたPC
ルートの計算ができるデバイス（ノートPC、スマホ、電卓など）
筆記用具（演習問題がございます）

領収書をご希望の方へ

【Paypalの方】
決済処理後にPaypalから送付されるメール内容、またはPaypalの取引履歴から該当項目を確認の上、「詳細」をご覧ください。

それらが領収書の代わりとなります。

また、クレジットカード会社発行の利用明細書も領収書としてご利用いただけます。

【上記以外で領収書発行をご希望の方】
ご入金後、本ページ右上の「イベントに関するお問い合わせ」より、下記情報をお送りください。
領収書を発行出来次第、メールにてご連絡差し上げます。

・宛名
・ご担当者名（必要であれば）
・件名（希望なければ「セミナー受講料」、別途細目は記載あり）
・その他(ご質問やご要望など)

お問い合わせ

LINE公式アカウントからもお問い合わせいただけます。
（推奨）
※日曜日は定休のため、いただいたお問い合わせについては月曜以降のご対応となります。

注意事項

講座内で扱うコンテンツは全て「株式会社AVILEN」に帰属しています。
複製はご遠慮ください。
個人ブログへの講義コンテンツの掲載はご遠慮ください。
キャンセルの場合は、講座利用開始前までに限り、手数料１０％を差し引いた額をご返金いたします。
それ以降は返金には応じ兼ねますのでご了承ください。

AVILEN AI Trend （旧：全人類がわかる統計学）とは

株式会社AVILENが運営する「AI特化型メディア」です。
AIに関する最新ニュースや各種インタビュー・コラムに加え、「全人類がわかる統計学」の頃から進化を遂げた、各種無料学習コンテンツを配信しています。ぜひご覧ください！

各講座詳細

1. 機械学習のための数学マスターコース

1.1. 関数・数列

目的：関数・数列を習得する。

関数とは
関数の基本性質
１変数関数
多変数関数
添え字付きの数（数列）
Σ演算

1.2. 微分

目的：微分を習得する。

微分とは
関数の増減
1変数関数の微分
合成関数の微分と連鎖律
多変数関数の偏微分
勾配法・最急勾配法

1.3. 線形代数基礎

目的：線形代数の基礎を習得する。

線形代数の説明
スカラー、ベクトル、行列
行列の演算
行列の割り算(逆行列)
単位行列
行列のサイズについて

1.4. 線形代数中級

目的：線形代数の基礎から発展した内容を習得する。

基礎の復習
ノルム
主成分分析
固有値問題
特異値分解

1.5. 情報理論

目的：情報理論を習得する。

確率変数
期待値・分散・共分散
周辺確率
条件付き確率と独立
ベイズ則
情報量
シャノンエントロピー
KLダイバージェンス

2. 統計学マスターコース

2.1. 統計学超入門

目的：統計学を学ぶ上での必須知識を習得する。

データの基礎知識
質的データと量的データ
4つの尺度
母集団と標本
標本調査
実験の基本的な考え方
実験研究のデザイン
フィッシャーの三原則
無作為抽出
1〜2変数のデータの集計
度数分布表、ヒストグラム、累積度数
クロス集計表
1〜2変数のグラフの見方・読み方
棒グラフ、積み上げ棒グラフ、円グラフ、複合グラフ
レーダーチャート、バブルチャート
ロウソク足
散布図（相関図）
総和記号シグマΣ
データの代表値とその利用法
平均・中央値・最頻値
それぞれの使い方、メリット・デメリット
量的変数の散らばりの指標
データの範囲、四分位範囲、箱ひげ図
平均からの偏差・分散、標準偏差、変動係数
共分散、相関係数
場合の数・順列
確率の基礎
試行と事象と確率
積事象、和事象、余事象、排反事象
条件付き確率の基礎
確率の解釈

2.2. 統計学入門①

目的：統計学の基礎的な知識を習得する。

平均、分散、標準偏差
変動係数、中央値、最頻値
四分位数、範囲、四分位範囲、箱ひげ図
共分散、相関係数
記述統計から推測統計へ
試行と事象
確率・確率変数・変数の種類
期待値
標本と分散

2.3. 統計学入門②

目的：統計学の基礎的な知識を習得する。

確率分布
確率関数・密度関数
連続型（正規分布、指数分布、一様分布）
離散型（ベルヌーイ分布、二項分布、ポアソン分布、幾何分布、マルチヌーイ分布）
中心極限定理
二変量正規分布
ベイズの定理
条件付き確率
ベイズの定理の考え方

3. 機械学習のためのPythonマスターコース

3.1. Python入門

目的：Pythonの特徴をしっかりと理解し、基本操作を習得する。

Pythonの環境構築
変数と型
演算
関数
if文
for文
CSVファイルの入出力

3.2. Python中級

目的：Pythonの基本操作への理解を深める。

多重ループ
再帰関数
組み込み関数
標準ライブラリ

3.3. Pythonクラス

目的：Pythonのクラスについての理解を深める

導入
クラスとインスタンス
- インスタンス変数とインスタンスメソッド
- 特殊なインスタンスメソッド
- インスタンスの使い方と外部ファイル
継承
- オーバーライド
- 特殊なインスタンスメソッド2

3.4. Numpy入門

目的：Pythonで数値計算を効率的に行うためのライブラリ「numpy」を習得する。

Arrayの宣言
Arrayとリストの変換
要素の参照
Numpyの演算
Numpyの実用

3.5. データ分析可視化入門

目的：Pythonでグラフ描画を行うライブラリ「matplotlib」「seaborn」を習得する。

折れ線グラフとグラフのカスタマイズ
散布図とヒストグラム
複数の図をプロット
様々なグラフの紹介
インタラクティブなグラフを作る
seabornでデータ同士の相関を見る
特徴量ごとに色分けしてデータをプロット
分析の結果の可視化

3.6. データ分析入門

目的：Pythonでデータ分析に欠かせないライブラリ「pandas」を習得する。

データフレームとは
ファイルの入出力
データを見る
データの統計量を計算する
データの抽出
データの整形

4. 機械学習マスターコース

4.1. 機械学習概論

目的：機械学習を行うにあたっての必須知識・流れを習得する。

機械学習の流れ
アルゴリズムの選択について
評価指標（分類・回帰）
検証方法
機械学習実践（分類・回帰）
- モデリング
- 検証

4.2. 機械学習概論補足

目的：機械学習概論から発展した知識を習得する。

学習アルゴリズム
ハイパーパラメーター最適化
次元の呪い

4.3. 機械学習アルゴリズム概論

目的：機械学習の有名なアルゴリズムについて理論から実装までを学ぶ。

ロジスティック回帰
SVM（サポートベクターマシーン）
- ハードマージン
- ソフトマージン
- ν-SVM
k近傍法
k-means

4.4. 実用テーブルデータ処理：分類編

目的：Pythonでデータの前処理から予測まで一連の流れを行うことで実用的に処理する方法を習得する。

データ基礎集計
データ前処理
- データの次元削減（t-SNE）
- 学習データと検証データの分割
モデル構築、学習（ランダムフォレスト、XGBoost）
モデル評価（混同行列、ROC曲線、AUC）
特徴量エンジニアリング
ハイパーパラメータ調整（グリッドサーチ）

4.5. 実用テーブルデータ処理：回帰編

目的：Pythonでデータの前処理から予測まで一連の流れを行うことで実用的に処理する方法を習得する。

データの基礎集計
データ前処理
- 欠損値処理
- 質的変数の数値化
- 学習データと検証データの分割
モデル構築、学習（ランダムフォレスト、ブースティング）
モデル評価（混同行列）
ハイパーパラメータ調整（グリッドサーチ）

5. ディープラーニングマスターコース

5.1. 深層学習手法俯瞰

目的：深層学習の有名な手法について学ぶ

はじめに
画像処理分野
- 画像認識
  - ResNet
  - DenseNet
- 物体検出
  - Faster R-CNN
- 画像生成
  - セグメンテーション
自然言語処理分野
- word2vec
- seq2seq
- 自然言語処理モデル紹介
強化学習
- Q学習
- Q学習の工夫
- Ape-X

5.2. PyTorch入門

目的：機械学習を実装するにあたって人気なライブラリ「PyTorch」を習得する。

PyTorchの特徴や他フレームワークとの比較
モデルの定義・レイヤーについて
自動微分
関数とレイヤー
学習イテレーションの書き方
GPUの利用やその他のテクニック

5.3. CNN入門

目的：画像認識などでよく使用される「CNN」を習得する。

CNNの概要、応用例
Convolution(畳み込み)とは何か
畳み込み層
プーリング層
Pytorchによる実装
実装したモデルの学習

5.4. RNN・LSTM入門

目的：時系列データ処理・自然言語処理などでよく使用される「RNN・LSTM」を習得する。

系列データ
RNNの概要・応用例
SimpleRNN
LSTM
PyTorchによる実装
RNNの発展

5.5. Seq2seqによる機械翻訳

目的：RNNの中でも機会対話や機械翻訳によく使用される「seq2seq」を習得する。

seq2seqとは？
応用事例紹介
系列を扱う手法
エンコーダとデコーダ
LSTMについて
前処理(単語分割・語彙構築)
エンコーダの実装
デコーダの実装
beam-search
学習と推論
まとめ
派生モデルの紹介
attention・多層化など
参考書籍・論文紹介

5.6. PyTorchによる強化学習

目的：AlphaGoなどで有名な「強化学習」を習得する。

強化学習とは
強化学習の目的
マルコフ決定過程
動的計画法
モデルフリーな価値関数推定
モデルフリーな制御・方策改善
価値ベースの方策改善
方策ベースの方策改善

エントリー先

https://techplay.jp/event/789727

GAME CREATORSのトップへ

ゲーム業界で「働く」ために

https://game-creators.jp/media/

GAME CREATORS（ゲームクリエイターズ）はゲーム業界で「働く人」「働きたい人」に役立つ情報を発信するメディアです。

【オンライン】0から学ぶ！未経験のためのAIエンジニア基礎講座セット【E資格対応】 2020/09/30(水)19:00〜22:00