コースガイド（AI・機械学習）

AI・機械学習の標準教育コース

各講座詳細は、講座検索よりご参照ください。

 

AI・機械学習 標準教育コースの構成

豆蔵が考えるAI・機械学習研修の位置づけ

  • 機械学習などの先進技術を用いた提案ができる人材を育成するためには、まず、その先進技術が「どのようなものか」ということを理解しないことには、何も始めることは出来ません。また、単なる技術入門書による学習や、クラウド上の各種簡易サービス（AzureMLなど）の体験セミナーは、機械学習などの先進技術を利用した提案が出来る人材育成のためのものではありません
     
  • 豆蔵では、カスタムPBL（Project Based Learning）という手法を取り入れ、「機械学習についての基本的な理解をしたうえで、その技術を利用した企画を策定してみる」という一連のプロジェクト（流れ）を3日間に凝縮した「AI機会学習アスリート塾」を提供しています
  • 受講者が機械学習を活用したプロジェクトの候補となる案を策定できるようにすることを目的としています
    • 機械学習の全体的知識体系（しくみ、限界や応用可能性）を網羅的に組み込んだカリキュラムで、実データを使った演習を行い、実践的なスキルを身に付けます
    • 受講者の身近な業務を対象とした提案の候補を挙げられるようにします
       
  • 次のステップであるターゲッティング（業務に活用する先進技術の適用範囲や可能性検証などの計画）や応用展開（実際のプロジェクトの開始）へと進んでいくことが出来ます
AI/機械学習_フロー

 

ＡＩ機械学習アスリート塾 実施カリキュラム例

 

１日目 ２日目 ３日目
オリエンテーション
  • 本コースについてご説明
  • オリエンテーション （自己紹介等）
 1日目復習
機械学習事始め ハンズオン (1/4)
  • 予測用回帰分析
    • 多変数線形回帰
  • データ説明と線形回帰分析
    • 線形回帰モデルの 係数解析
  • 予測と説明用帰分析
 2日目復習
機械学習事始め ハンズオン (4/4)
  • 教師なし機械学習(クラスタ リング)
    • k平均法
    • 自己組織化写像
    • 主成分分析
  • 次元削減法
    • 主成分分析
統計手法・機械学習について
  • 統計手法
    • 一般的な統計にて使用 する用語（平均、分散、相関 等）を説明
    • 統計と機械学習の違いを説明
  • 機械学習の全般的な講義
    • 特徴量、目的変数等の役割を説明
    • 機械学習の分類（分類、回帰等）の説明
    • 基礎的な手順（学習、テスト）の説明
    • 過学習や検定の説明

機械学習事始め ハンズオン (2/4)

  • 予測用分類
    • ロジスティック回帰
    • k近傍法
    • サポートベクターマシン
    • 決定木
    • ランダムフォレスト
  • 説明変数がID型
    • 分類の場合：演習
    • 回帰の場合

機械学習から人工知能へ

  • おさらい
  • その他分析モデル・手法に ついての講義
    • 教師なし機械学習（クラスタリング）
    • 深層学習
       

環境設定・Rの基本・統計手法
ハンズオン

  • RStudioの使い方
  • データ解析用のRの基本
    • Rの基本的な文法
    • Dataの使い方
    • 基本的な統計関数
    • 基本的な可視化
  • 単回線形分析

機械学習事始め ハンズオン (3/4)

  • 予測用分類（続き）
    • ニューラルネット
  • 回帰問題から分類問題へ
    • 二項分類の例（問題）

機械学習の適用検討（企画フェーズ）

  • データ分析のよくある適用例
  • 業務での適用のアイデア

今日の振り返り、質疑、宿題

今日の振り返り、質疑、宿題

今日の振り返り、質疑、今後に向けて

 

  • お客様ご指定の会場（貴社のセミナールーム、豆蔵のトレーニングルームなど）に、講師がお伺いして研修を実施します