機械学習の数学 徹底入門コース

セミナー申込

機械学習の数学 徹底入門コースとは

 

1. 初学者の壁「数学」
機械学習の勉強を続けていくと、多くの方が「数学がわからない」という壁にぶつかるのではないでしょうか。
機械学習で扱われる数学は主に「線形代数」「微分積分」「確率・統計」ですが、なぜ機械学習の数学が難しいかというと、それらの求められるレベルが大学数学のレベルであるからです。
専門書も、大学レベルの知識を前提として書かれているものが多く、専門的に学んできた人でない限り、理解するには時間がかかります。
本コースでは、「機械学習に必要な数学」をピックアップし、高校数学の復習から大学数学まで効率よく学ぶことができます。
そして4ヶ月間の受講後には、「自ら専門書を読み解く力」が身に付き、機械学習の勉強を自ら進めていくことができるようになります。

 

2. 徹底的に「わかりやすさ」を重視した授業
本コースで最も大切にしていることは「わかりやすさ」です。
手書きノートでは、極力文章量を抑え、図解を通して、視覚的に理解できるよう工夫しております。
また、授業でわからなかった点に関しては、授業中、授業前後に質問も受け付けておりますので、その都度疑問点を解消し、理解を深めていくことができます。

 



3. 手書き数学で理解が深まる
実際に手を動かして数式やグラフを書くことで、記憶にも残りやすく、数学に対する理解を深めることができます。
また、計算を行う演習時間も設けており、「本当に理解できているのか」確認することができます。

4. オフライン授業で勉強習慣をつける
「1人ではモチベーションが続かない」「勉強する習慣がない」「数学が苦手」といった方に、オフライン授業は有効です。
週1回の勉強を4ヶ月間続けることで勉強習慣をつけることができ、共に勉強する仲間もいるため、モチベーションを維持することができます。

5. オンライン受講にも対応
仕事の都合や、住まいの問題で通うことが難しい場合には、オンラインでの受講も可能です。毎回授業動画を録画するため、後から視聴することができます。

 

 

6. E資格対策にも
E資格では、高度な数学の知識が要求されます。
本コースのカリキュラムでは、機械学習を網羅的に扱うため、E資格対策としても有効です。
※本コースはE資格認定講座ではありません。

取得可能スキル

基礎数学

微分積分、線形代数、確率統計だけでなく、最適化理論、情報理論まで機械学習のために必要な数学の基礎を身に付けます。

機械学習アルゴリズム

単回帰分析、重回帰分析、パーセプトロン、サポートベクターマシン、決定木、ロジスティック回帰、ニューラルネットワーク、ディープラーニング、ガウス過程回帰、主成分分析、k-means、Q学習と幅広いアルゴリズムを学びます。

機械学習の実問題への応用

CNNやRNN,ベイズ最適化、Deep Q Network (DQN)といった実問題への応用を意識した発展的な内容も学びます。

こんな方におすすめ

  • 機械学習の数学を実務で使えるレベルまで高めたい方
  • 基礎的な数学から機械学習アルゴリズムまで一気通貫で流れ良く学びたい方
  • 機械学習アルゴリズムと実問題の結びつきを明確にしたい方

カリキュラム

  • 1ヶ月目
  • 2ヶ月目
  • 3ヶ月目
  • 4ヶ月目
Day トピック 概要
  • Day1 (1)
  • Day1 (2)
  • 確認テスト
  • パーセプトロン
微分線形代数統計単回帰分析重回帰分析の理解度確認します。分類のモデルから最急降下法によるパラメータの最適化まで紹介します。
Day2 ニューラルネットワーク 識別モデル の考え方から誤差逆伝播法 によるパラメータの最適化まで詳細に解説します。
Day3 ディープラーニング1 画像向けのニューラルネットワーク(CNN)と時系列向けのニューラルネットワーク(RNN)まで実例を用いて紹介します。
Day4 ディープラーニング2 勾配消失の問題、過学習対策ドロップアウト重み減衰)、代表的なモデル(AlexNet, VGG16, GoogleNet, ResNet)について紹介します。
Day トピック 概要
Day5 確率・統計 同時確率や確率分布、尤度関数といった基礎的な事項から始めて、ベイズ統計まで紹介します。
Day6 ロジスティック回帰・情報理論 確率の基礎の理解度確認として適切な2値分類を行うロジスティック回帰や尤度関数に関する理解度も高まります。
尤度関数でもよく用いられる対数(log)が出てくる理由やエントロピーカルバック・ライブラー・ダイバージェンスまで紹介します。
Day7 線形代数 ノルム行列固有値問題特異値分解について紹介します。
Day8 最適化 機械学習で扱われる最適化アルゴリズム、最適化理論に付随する凸関数・凸集合について紹介します。
Day トピック 概要
Day9 (1) 主成分分析 ラグランジュの未定乗数法を紹介します。次元削減の代表的な手法である主成分分析多重共線性の問題への対処や2次元へ射影して可視化に使われます。
Day9 (2) k-means クラスタリングの代表的な手法であるk-meansについて紹介し、ClassificationとClusteringの違いを明確にします。
Day10 SVM1 実用的によく用いられるSVMの線形分離可能な問題設定な場合のアルゴリズムを紹介します。
Day11 SVM2 確率の基礎 線形分離不可能な問題設定に対する非線形モデリングについてカーネルトリックを紹介します。
Day12 決定木とランダムフォレスト 予測性能が高い上に、前処理等も少なく、変数の重要度を知ることができる決定木
アンサンブル学習であるランダムフォレストも併せて紹介します。
Day トピック 概要
Day13 生成モデル 新たな画像などを生成することができるVariational Auto Encoder(VAE)Generative Adversarial Nets(GAN)の基礎的な理解から数式の導出まで行います。
Day14 ガウス過程回帰 一般化線形モデルであるガウス過程回帰を紹介します。パラメータの分布を仮定することで予測値に関しても分布を求めることができます。
Day15 ベイズ最適化 機械学習の中で困難を極めるハイパーパラメータの調整を自動的に行うことができるベイズ最適化を紹介します。
Day16 強化学習 データのない中からどのように行動を強化していくかといったアルゴリズムを紹介します。また、AlphaGoで注目を集めたDeep Q Network(DQN)のアルゴリズムも紹介

概要一覧

スケジュール

◯火曜日コース(全16回)
毎週火曜日19:30~22:00(開場:19:00)
・初回受講日:2018/11/20(火)
・最終受講日:2019/3/19(火)
※休講日:2018/12/25(火), 2019/1/1(火)

料金

400,000円/名(税別)

開催場所

東京都千代田区内神田3-2-9 SPビル 4階

備考

◯事前学習/準備
Udemy動画視聴(脱ブラックボックスセミナー 初級, 中級視聴)

◯欠席時のサポート
講義動画を録画するため、欠席された場合でも動画で講義内容を補うことが可能でございます。

◯分割払いに関して
受講料:108,000円/月(税込)
支払期限 金額 内訳
・2018年11月30日 216,000円 初月受講料+2ヶ月目受講料
・2018年12月31日 108,000円 3ヶ月目受講料
・2018年1月31日 108,000円 4ヶ月目受講料

アクセス

山手線 神田駅 徒歩3分
東京メトロ丸の内線 大手町駅 徒歩11分
総武本線 新日本橋駅 徒歩8分

セミナー申込

必須
必須
必須
必須
必須
必須
必須

支払い

※ 請求書払いは法人申込の方が対象。
    また受講初日の翌月末払いとなります。


必須

関連する他のセミナー