本コースは、ディープラーニングを中心にAI技術を包括的に身に付けるためのコースです。
様々な人工知能の技術を順を追って幅広く習得し、人工知能を搭載したWebアプリの構築までを行います。
開発環境であるGoogle Colaboratoryやプログラミング言語Pythonの解説から本コースは始まりますが、セクションが進むにつれてCNNやRNN、生成モデルや強化学習、転移学習などの有用な人工知能技術の習得へつながっていきます。
本コースは、ディープラーニングを中心にAI技術を包括的に身に付けるためのコースです。
様々な人工知能の技術を順を追って幅広く習得し、人工知能を搭載したWebアプリの構築までを行います。
開発環境であるGoogle Colaboratoryやプログラミング言語Pythonの解説から本コースは始まりますが、セクションが進むにつれてCNNやRNN、生成モデルや強化学習、転移学習などの有用な人工知能技術の習得へつながっていきます。
AIを広く学び、皆さんが抱えている問題を解決できるようになりましょう。
開発環境にはGoogle Colabを利用するので、環境構築にはほとんど手間がかかりません。
GPUが無料で利用できるので、コードの実行時間も短縮できます。
効率よく人工知能技術を習得できるように、本コースは様々な工夫を凝らしています。
AI技術は、今後の世界に最も影響を与える技術の一つです。
様々な領域を領域横断的につなげる技術でもあり、どの分野の方であってもこの技術を習得することは無駄にはなりません。
新しい時代に進むために、一緒に楽しく本格的な人工知能を学んでいきましょう。
————————————————————
本コースの主な内容は以下の通りです。
教材の一部は、他のコースと重複する場合があります。
開発環境
→ 開発環境であるGoogle Colaboratoryについて詳しく解説します
Pythonの基礎
→ プログラミング言語Pythonの基礎、及びNumPy、matplotlib、Pandasの基礎について学びます
簡単なディープラーニング
→ フレームワークKerasを使い、ゼロからコードを書いて簡単なディープラーニングを実装します
ディープラーニングの理論
→ バックプロパゲーションを中心に、ディープラーニングの理論を学びます
様々な機械学習の手法
→ ディープラーニング以外の様々な機械学習の手法を学びます
畳み込みニューラルネットワーク(CNN)
→ CNNの原理を学んだ上で、CNNによる画像分類を実装します
再帰型ニューラルネットワーク(RNN)
→ シンプルなRNNからはじめて、LSTM、GRUを学び自然言語処理に応用します
生成モデル -VAE-
→ 変文オートエンコーダ(VAE)による画像の圧縮と復元について、原理を学んだ上で実装します
生成モデル -GAN-
→ 敵対的生成ネットワーク(GAN)による画像の生成について、原理を学んだ上で実装します
強化学習
→ 報酬を最大化するように学習する強化学習について、原理を学んだ上で実装します
転移学習
→ ある領域で学習させたモデルを別の領域に適応させる、転移学習を実装します
人工知能アプリの開発
→ ここまでに学んできた内容をベースに、学習済みモデル活用したWebアプリを構築します
————————————————————
本コースでは可能な限り丁寧な解説を心がけていますが、ある程度ご自身で調べることも必要になるのでご注意ください。
動画を見るのみでも学習が進められるようになっていますが、可能であればPythonのコードを動かしながら進めることをお勧めします。
コードがダウンロード可能ですので、これをベースに様々なカスタマイズを行うこともお勧めです。
様々な人工知能技術を学び、AIが秘めている可能性を発見しましょう!
本コースの概要について解説します。
人工知能全般について、概要を解説します。
社会における人工知能の活用例を、いくつか紹介します。
人工知能の歴史について、3回の人工知能ブームを中心に解説します。
開発環境のセクションの概要を解説します。
開発環境であるGoogle Colaboratoryの導入です。
Google Colaboratoryにおいて、コードや文章を記述するためのノートブック について解説します。
教材のダウロード方法、及び扱い方について解説します。
CPU、GPU、TPUについて解説し、CPUとGPUのパフォーマンスを比較します。
セッションとインスタンスの関係、そして90分ルールと12時間ルールについて解説します。
Google Colaboratoryの各設定、及び様々な機能について解説します。
Google ColaboratoryとGitHubの連携方法について解説します。
Pythonの基礎のセクションの概要を解説します。
Pythonの基本的な文法についてです。
主に関数とクラスについて解説します。
主にファイルの入出力について解説します。
数値計算ライブラリNumPyについて、基礎を解説します。
matplotlibを使いグラフを表示する方法について解説します。
Pandasによりデータを扱う方法について解説します。
本セクションの演習です。
簡単なディープラーニングのセクションの概要を解説します。
ディープラーニングについて、まずは概要を解説します。
シンプルなディープラーニングに必要なデータを読み込みます。
データに対して前処理を行います。
データを訓練データとテストデータに分割します。
Kerasを使い、シンプルなディープラーニングのモデルを構築します。
構築したモデルを使って、学習を行います。
学習の推移を確認し、モデルを評価します。
訓練済みのモデルを使って予測を行います。
また、訓練済みのモデルを保存します。
様々なニューラルネットワークを紹介します。
ディープラーニングの理論のセクションの概要を解説します。
本コースに必要な数学の基礎を解説します。
単一ニューロンによる演算について解説します。
様々な活性化関数について解説します。
順伝播と逆伝播について、概念を解説します。
行列、及び行列積について具体的な計算を交えて解説します。
層の間で行われる演算について解説します。
微分について、本セクションで必要な部分を解説します。
重みとバイアスを更新するための、勾配降下法について解説します。
誤差を定義する、損失関数について解説します。
出力層において、重みとバイアスの勾配を導出します。
中間層において、重みとバイアスの勾配を導出します。
エポックとバッチについて、概念を整理します。
勾配降下法において、重みとバイアスを最適化するためのアルゴリズムについて解説します。
様々な機械学習の手法のセクションの概要を解説します。
シンプルな機械学習である回帰について解説します。
教師なし学習の一種、k平均法について解説します。
超平面を用いて分類を行う、サポートベクターマシンについて解説します。
畳み込みニューラルネットワークのセクションの概要を解説します。
畳み込みニューラルネットワークについて、概要を解説します。
CNNにおける畳み込みとプーリングについて、概要を解説します。
畳み込みとプーリングにおいて重要なアルゴリズム、im2colとcol2imを解説します。
畳み込みを実装します。
プーリングを実装します。
CNNを実装し、画像を分類します。
データの「水増し」を行い、モデルの汎化性能を向上させます。
再帰型ニューラルネットワーク(RNN)のセクションの概要を解説します。
RNNについて、まずは概要を把握します。
シンプルなRNNを、Kerasを使って実装します。
RNNの一種であるLSTMについて、概要を解説します。
LSTM層について、その仕組みを解説します。
Kerasを使って、LSTMを実装します。
RNNの一種であるGRUについて、概要を解説します。
Kerasを使って、GRUを実装します。
RNNを使った自然言語処理について、概要を解説します。
RNNを使って、自然言語処理を実装します。
RNNの応用であるSeq2Seqという技術について解説します。
OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.
Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.
Find this site helpful? Tell a friend about us.
We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.
Your purchases help us maintain our catalog and keep our servers humming without ads.
Thank you for supporting OpenCourser.