【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】

日程:

【募集期間】
 〜 

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

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)

Alt text

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

  1. 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
  2. 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。
  3. 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

統計学マスターコース

1. 超基礎

  • 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
  • 知識問題

2. 確率変数・確率分布・ベイズ

  • 統計検定3級レベル用語まとめ(確認程度)
  • 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
  • 統計検定3級レベルから統計検定2級へ
  • 記述統計から推測統計へ
  • 母集団とは?
  • 統計検定2級レベル基礎用語まとめ
  • 確率の表し方
  • 確率変数とは?
  • 変数の種類
  • 期待値とは?
  • 確率分布
  • 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

機械学習のための数学マスターコース

1. 関数・数列

  • 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

2. 微分

  • 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

3. 線形代数基礎

  • 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

4. 線形代数中級

  • 基礎の復習
  • ノルム
  • 主成分分析
  • 固有値問題
  • 特異値分解

5. 情報理論

  • 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

機械学習のためのPythonマスターコース

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

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

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

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

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

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)

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)

データ分析・機械学習マスターコース

Day1

目的:データ分析における基本的な回帰モデル・教師なし学習を、Pythonで実装できるようになります。

  • 線形回帰、非線形回帰
  • 正則化
  • 次元削減
  • クラスタリング

Day2

目的:機械学習でよく使われる5つの分類モデルを理解し、Pythonで実装できるようになります。

  • 決定木
  • ランダムフォレスト
  • ロジスティック回帰
  • SVM
  • k近傍法
  • 特徴量の可視化

Day3

目的:機械学習の実装中に遭遇しやすい問題を解決し、より高い精度のモデル作れるようになります。

  • データのスケーリング
  • ハイパーパラメータ最適化
  • 過学習防止

Day4

目的:ニューラルネットワークの基本的な概念を理解し、モデルを実装できるようになります。

  • ニューラルネットワークの前提知識
  • 全結合ニューラルネットワーク
  • 畳み込みニューラルネットワーク

ディープラーニングマスターコース

1. PyTorch入門

  • 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

2. CNN入門

  • 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

3. RNN・LSTM入門

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

4. Seq2seqによる機械翻訳

  • 理論編
  • 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
  • 実装編
  • 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. PyTorchによる強化学習

  • 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/780091