日本ディープラーニング協会
E資格認定講座
日本ディープラーニング協会（JDLA）が提供するエンジニア向け「E資格」の認定講座となっております。
AI案件を任されるようになり、
実務をこなすための基礎を
身に付けたい方
機械学習・ディープラーニングなどの
AI技術や数学について
体系的に学びたい方
一歩進んだ高度な処理を必要としたり、
プログラミング経験が中級以上の方
データ解析の基盤となるクラウド環境や
計算高速化に用いるGPUの設定、
注目を浴びるコンテナ技術もしっかり学ぶことができ、
初学者の方でも受講後に安心して進めることができます。
実データを用いた画像の分類や9種類のカテゴリに文書を分ける文書分類の問題、
時系列に特化したディープラーニングなどを現場で活躍する講師から
ハンズオン形式で学ぶことができます。
様々な演習を取り入れることで、
自力で多くの試行錯誤を重ねることが可能となります。
受講後に自らコードを実装する力、
専門書を読み進める力が身につきます。
日本ディープラーニング協会（JDLA）が提供するエンジニア向け「E資格」の認定講座となっております。
日本Microsoftから公認を受けたデータサイエンス人材養成セミナーとなっております。
経済産業大臣が認定する「第四次産業革命スキル習得講座」の認定講座、厚生労働省指定の「教育訓練支援給付金」の対象講座となっており、最大70％の補助が出ます。
専門実践教育訓練明示書はこちら
ディープラーニングの設計が容易に行えます。
世界的なユーザー数が多く参考記事が豊富です。
Facebookが開発したフレームワークです。
柔軟性や研究開発との親和性の高さから、
世界的な人気を得ています。
日本の企業が開発したフレームワーク。
初学者向けのチュートリアルがあったり、他のフレームワークに比べて実装が簡単にできることが特徴です。
住友商事株式会社岩本 幹生 さん
東日本電信電話株式会社工藤 遼 さん
データリファイメント株式会社新田 克幸 さん
大学時代から塾講師として「教育」という道を歩み、教えることに夢中になるくらい、教えることが好きで自信を持っています。多くの方々に、ゴール逆算で考え抜いた実践的なカリキュラムを体感していただきたいです！
ハンズオンセミナーを含め、初学者目線と実務に繋がる力を意識し、幅広い領域を担当しています。人はやればできると信じています。キカガクのセミナーを通して「AI」という広く深い世界への一歩目を踏み出しましょう！
短期セミナーや数学周りのセミナーを担当しています。教える上で最も大切にしていることは「初学者目線」です。効率よく最短距離で学べるよう、相手が持つ前提知識をしっかりと把握し教えることを大切にしています。
短期セミナー・法人研修講師を担当しています。もともと学習塾を行っていた経験から教育に関しては人一倍の熱意があり、「何もわからずおいてけぼりにされた」という事のないセミナーを目指しています。
主に短期セミナーの講師を担当しています。受講生の方々が求めているものを理解し、一人一人に合った学び方を提供します。ただ教えるだけでなく、「感動する学び」を目指しています。受講後の勉強イメージが湧くステップまでを私の講義で実現します。
受講される方全員が満足できる講義をお届けしたいと思っています。難しいことはもちろん、基礎的なことこそ単純明快に。一つずつAIの世界へ足を踏み入れ、共に手を取り合いながら学びを楽しみましょう！
| 40分 | イントロダクション | ・人工知能、機械学習、ディープラーニングとは ・機械学習に必要な数学 ・機械学習の３大トピック ・内挿と外挿 |
| 50分 | 微分 | ・微分は「何」に使えるのか？ ・導関数を求めよう ・微分の公式 ・偏微分 |
| 40分 | 単回帰分析（数学） | ・「モデル」を決める ・「評価関数」を決める ・評価関数を「最小化」する |
| 70分 | Python入門 | ・プログラミングの環境構築 ・変数 ・基本構文 ・複数の変数を扱う ・制御構文 ・関数 |
| 40分 | 単回帰分析(実装) | ・Numpyの数値計算 ・Pandasによるデータベース操作 ・Matplotlibでグラフ描画 ・実データに対する単回帰分析の実装 |
| 60分 | 線形代数 | ・スカラー,ベクトル,行列 ・行列の演算 ・サイズ感 ・転置,単位行列,逆行列 ・ベクトルで微分 |
| 50分 | 重回帰分析(数学) | ・「モデルを決める」 ・「評価関数」を決める ・評価関数を「最小化」する |
| 70分 | 重回帰分析(実装) | ・行列演算の基礎 ・パラメータの導出 ・実データで演習 |
| 30分 | 統計 | ・主な統計量 ・正規分布と3σ法 ・スケーリング |
| 30分 | 外れ値を考慮した実装 | ・外れ値除去 ・モデル構築 ・スケーリングとパラメータの確認 |
| 15分 | ビジネス活用 | ・現場で機械学習を導入できる人材とは |
| 9:30-10:00 | イントロダクション | ・自己紹介 ・AIの開発フロー |
| 10:00-10:50 | 数学演習(テスト) | ・微分 ・線形代数 ・統計 |
| 10:50-13:30 | プログラミング演習(テスト) | ・Jupyter Notebook ・リスト,タプル,辞書 ・制御構文 ・NumPy,pandas,matplotlib |
| 13:30-14:30 | 環境構築 | ・Azure ・GPU(CUDA) ・Docker ・Nvidia-Docker |
| 14:40-16:00 | ディープラーニング(数学) | ・ニューラルネットワークのモデル ・線形変換 ・非線形変換 |
| 16:10-17:30 | ディープラーニング(実装) | ・Kerasの基礎 ・GPU環境の確認 ・問題設定(ワインの等級の予測) ・Seaquential APIによるNNモデルの定義 ・バッチ正規化の実装 |
| 9:30-10:50 | 回帰(実装) | ・問題設定(家賃の予測) ・NNモデルの定義 |
| 11:00-12:00 | 画像処理(数学) | ・画像の扱い方 ・どのようにベクトルで表現するか ・フィルタの基礎 ・エッジフィルタの計算 ・Convolutional Neural Network |
| 13:00-14:30 | 画像処理(実装) | ・画像の読み込み(OpenCV,Pillow) ・フィルタの計算 |
| 14:40-15:40 | 画像分類 | ・CNNモデルの定義 ・Functional API の実装 |
| 15:50-16:20 | 課題 | ・実データに対する画像分類の精度を高める |
| 16:30-17:30 | TensorBoardの使い方 | ・学習過程の可視化 ・画像データの表示 ・パラメータの確認 |
| 9:30-10:30 | 時系列解析(数学) | ・時系列データとは ・どのようにベクトルで表現するか ・複数の変数に対するモデル化 ・Recurrent Neural Network |
| 10:40-13:30 | 時系列解析(実装) | ・データの取得 ・データの可視化 ・トレンドの抽出 ・RNNモデルの定義 ・実データに対する分類の実装 |
| 13:40-14:50 | 自然言語処理 | ・形態素解析 ・どのようにベクトルで表現するか |
| 15:00-16:20 | 文書分類 | ・形態素解析 ・名詞のみの抽出 ・特徴量(BoW) ・文書データから教師データ作成 ・NNモデルでの分類の実装 |
| 16:30-17:30 | 文章生成 | ・可変長データの扱い ・RNN によるモデル化 |
| 160分 | 数学～線形代数～ | ・ノルム ・内積 ・逆行列 ・行列式 ・三次の逆行列 ・固有値問題 ・特異値分解 ・ラグランジュの未定乗数法 ・主成分分析 |
| 85分 | 数学～確率統計～ | ・期待値 ・確率分布 ・ベイズ則 ・尤度関数 |
| 50分 | 情報理論 | ・情報量 ・エントロピー ・KLダイバージェンス |
| 90分 | 機械学習～基礎・パーセプトロン～ | ・機械学習アルゴリズム ・微分で必要な知識 ・パーセプトロン |
| 40分 | 機械学習～サポートベクターマシン～ | ・サポートベクターマシン |
| 50分 | 機械学習～ロジスティック回帰～ | ・ロジスティック回帰 |
| 15分 | 機械学習〜k-means・最近傍法〜 | ・k-means ・最近傍法 |
| 70分 | 深層学習〜誤差逆伝播法・過学習対策〜 | ・最急降下法の復習 ・誤差逆伝播法 ・ドロップアウト ・正則化 |
| 50分 | 深層学習〜最適化〜 | ・最適化-1-最急降下法 ・最適化-2-SGD ・最適化-3-モーメンタム ・最適化-4-ネステロフのモーメンタム ・最適化-5-Adagrad ・最適化-6-RMSProp ・最適化-7-Adam |
| 80分 | 深層学習〜CNN・R-CNN〜 | ・CNN-1-有名なモデル1 ・CNN-2-有名なモデル2 ・R-CNN-1-概要 ・R-CNN-2-CNNの復習 ・R-CNN-3-CNNの中身 ・R-CNN-4-IoU ・R-CNN-5-Fast R-CNN ・R-CNN-6-Multi task Loss ・R-CNN-7-Faster R-CNN ・SemanticSegmentation-1-U-net ・SemanticSegmentation-2-FCN ・SemanticSegmentation-3-SegNet |
| 50分 | 深層学習〜RNN〜 | ・RNN-LSTM1 ・RNN-GRU ・RNN-GradientClipping ・RNN-双方向RNN |
| 60分 | 深層学習〜生成モデル〜 | ・生成モデル-AE ・生成モデル-VAE ・生成モデル-GAN |
| 75分 | 深層学習〜強化学習〜 | ・強化学習 |
| 55分 | 深層学習〜計算グラフ〜 | ・計算グラフ -計算グラフとは ・計算グラフ -足し算、掛け算 ・計算グラフ- Affine変換 |
| 120分 | 深層学習〜NN実装〜 | ・NumpyでNN実装 ・NumpyでNN実装-レイヤとしてまとめていく ・NumpyでNN実装-逆伝播-Affine ・NumpyでNN実装- 各種Optimizerについて ・NumpyでNN実装-NNの構造 ・NumpyでNN実装-データの準備 ・NumpyでNN実装-学習に必要な準備 ・NumpyでNN実装-学習 ・NumpyでNN実装-推論 ・RNN-Attention |
| 90分 | 新シラバス | ・正規化 ・モデル圧縮 ・分散処理 ・MobileNet ・DenseNet ・Pix2Pix ・WaveNet ・Transformer ・AlphaGo |
| 40分 | イントロダクション | ・人工知能、機械学習、ディープラーニングとは ・機械学習に必要な数学 ・機械学習の 3大トピック ・内挿と外挿 |
| 50分 | 微分 | ・微分は「何」に使えるのか？ ・導関数を求めよう ・微分の公式 ・偏微分 |
| 40分 | 単回帰分析（数学） | ・「モデル」を決める ・「評価関数」を決める ・評価関数を「最小化」する |
| 70分 | Python入門 | ・プログラミングの環境構築 ・変数 ・基本構文 ・複数の変数を扱う ・制御構文 ・関数 |
| 40分 | 単回帰分析(実装) | ・Numpyの数値計算 ・Pandasによるデータベース操作 ・Matplotlibでグラフ描画 ・実データに対する単回帰分析の実装 |
| 60分 | 線形代数 | ・スカラー,ベクトル,行列 ・行列の演算 ・サイズ感 ・転置,単位行列,逆行列 ・ベクトルで微分 |
| 50分 | 重回帰分析(数学) | ・「モデルを決める」 ・「評価関数」を決める ・評価関数を「最小化」する |
| 70分 | 重回帰分析(実装) | ・行列演算の基礎 ・パラメータの導出 ・実データで演習 |
| 30分 | 統計 | ・主な統計量 ・正規分布と3σ法 ・スケーリング |
| 30分 | 外れ値を考慮した実装 | ・外れ値除去 ・モデル構築 ・スケーリングとパラメータの確認 |
| 15分 | ビジネス活用 | ・現場で機械学習を導入できる人材とは |
| 9:30 - 10:00 | イントロダクション | ・自己紹介 ・AI の開発フロー |
| 10:00 - 11:00 | 環境構築 | ・Azure を用いた GPU インスタンスの作成 ・Docker の基礎 ・Nvidia-Docker を用いた GPU 環境構築 |
| 11:10 - 13:30 | ディープラーニングの数学1 | ・ニューラルネットワーク のモデル ・線形変換 ・非線形変換 |
| 13:30 - 14:00 | ディープラーニングの実装1 | ・PyTorch の基礎 ・線形変換 ・非線形変換 |
| 14:10 - 14:40 | プログラミング基礎 | ・Class の基礎 |
| 14:40 - 15:20 | ディープラーニングの数学2 | ・最急降下法によるパラメータ更新 ・ミニバッチ学習 |
| 17:00 - 17:30 | ディープラーニングの数学3 | ・モデルの定義 ・ミニバッチ学習 ・最適化手法 (SGD, Adam) ・学習ループの記述 |
| 9:30 - 11:00 | 分類（実装） | ・問題設定（ワインの等級の予測） ・モデルの定義 ・Igntie による学習ループの簡略化 ・バッチ正規化の実装 |
| 11:10 - 13:30 | 回帰（実装） | ・問題設定（家賃の予測） ・モデルの定義 ・学習 |
| 13:30 - 14:30 | 画像処理（数学） | ・画像の扱い方 ・どのようにベクトルで表現するか ・フィルタの基礎 ・エッジフィルタの計算 ・Convolutional Neural Network |
| 14:40 - 15:10 | 画像処理（実装） | ・画像の読み込み（OpenCV, Pillow） ・フィルタの計算 |
| 15:10 - 16:50 | 画像分類 | ・CNNモデルの定義 ・GPU を用いた計算 |
| 17:00 - 17:30 | 課題 | ・実データに対する画像分類の精度を高める |
| 9:30 - 10:30 | 時系列解析（数学） | ・時系列データとは ・どのようにベクトルで表現するか ・複数の変数に対するモデル化 ・Recurrent Neural Network |
| 10:40 - 13:30 | 時系列解析（実装） | ・データの取得 ・データの可視化 ・トレンド抽出 ・RNN モデルの定義 ・実データに対する分類の実装 |
| 13:40 - 14:50 | 自然言語処理 | ・形態素解析 ・どのようにベクトルで表現するか |
| 15:00 - 16:20 | 文書分類 | ・形態素解析 ・名詞のみの抽出 ・特徴量変換（BoW） ・文書データから教師データ作成 ・NN モデルで分類の実装 |
| 16:30 - 17:30 | 文章生成 | ・可変長データの扱い ・RNN によるモデル化 |
| 160分 | 数学～線形代数～ | ・ノルム ・内積 ・逆行列 ・行列式 ・三次の逆行列 ・固有値問題 ・特異値分解 ・ラグランジュの未定乗数法 ・主成分分析 |
| 85分 | 数学～確率統計～ | ・期待値 ・確率分布 ・ベイズ則 ・尤度関数 |
| 50分 | 情報理論 | ・情報量 ・エントロピー ・KLダイバージェンス |
| 90分 | 機械学習～基礎・パーセプトロン～ | ・機械学習アルゴリズム ・微分で必要な知識 ・パーセプトロン |
| 40分 | 機械学習～サポートベクターマシン～ | ・サポートベクターマシン |
| 50分 | 機械学習～ロジスティック回帰～ | ・ロジスティック回帰 |
| 15分 | 機械学習〜k-means・最近傍法〜 | ・k-means ・最近傍法 |
| 70分 | 深層学習〜誤差逆伝播法・過学習対策〜 | ・最急降下法の復習 ・誤差逆伝播法 ・ドロップアウト ・正則化 |
| 50分 | 深層学習〜最適化〜 | ・最適化-1-最急降下法 ・最適化-2-SGD ・最適化-3-モーメンタム ・最適化-4-ネステロフのモーメンタム ・最適化-5-Adagrad ・最適化-6-RMSProp ・最適化-7-Adam |
| 80分 | 深層学習〜CNN・R-CNN〜 | ・CNN-1-有名なモデル1 ・CNN-2-有名なモデル2 ・R-CNN-1-概要 ・R-CNN-2-CNNの復習 ・R-CNN-3-CNNの中身 ・R-CNN-4-IoU ・R-CNN-5-Fast R-CNN ・R-CNN-6-Multi task Loss ・R-CNN-7-Faster R-CNN ・SemanticSegmentation-1-U-net ・SemanticSegmentation-2-FCN ・SemanticSegmentation-3-SegNet |
| 50分 | 深層学習〜RNN〜 | ・RNN-LSTM1 ・RNN-GRU ・RNN-GradientClipping ・RNN-双方向RNN |
| 60分 | 深層学習〜生成モデル〜 | ・生成モデル-AE ・生成モデル-VAE ・生成モデル-GAN |
| 75分 | 深層学習〜強化学習〜 | ・強化学習 |
| 55分 | 深層学習〜計算グラフ〜 | ・計算グラフ -計算グラフとは ・計算グラフ -足し算、掛け算 ・計算グラフ- Affine変換 |
| 120分 | 深層学習〜NN実装〜 | ・NumpyでNN実装 ・NumpyでNN実装-レイヤとしてまとめていく ・NumpyでNN実装-逆伝播-Affine ・NumpyでNN実装- 各種Optimizerについて ・NumpyでNN実装-NNの構造 ・NumpyでNN実装-データの準備 ・NumpyでNN実装-学習に必要な準備 ・NumpyでNN実装-学習 ・NumpyでNN実装-推論 ・RNN-Attention |
| 90分 | 新シラバス | ・正規化 ・モデル圧縮 ・分散処理 ・MobileNet ・DenseNet ・Pix2Pix ・WaveNet ・Transformer ・AlphaGo |
| 40分 | イントロダクション | ・人工知能、機械学習、ディープラーニングとは ・機械学習に必要な数学 ・機械学習の３大トピック ・内挿と外挿 |
| 50分 | 微分 | ・微分は「何」に使えるのか？ ・導関数を求めよう ・微分の公式 ・偏微分 |
| 40分 | ・単回帰分析（数学） | ・「モデル」を決める ・「評価関数」を決める ・評価関数を「最小化」する |
| 70分 | Python入門 | ・プログラミングの環境構築 ・変数 ・基本構文 ・複数の変数を扱う ・制御構文 ・関数 |
| 40分 | 単回帰分析(実装) | ・Numpyの数値計算 ・Pandasによるデータベース操作 ・Matplotlibでグラフ描画 ・実データに対する単回帰分析の実装 |
| 60分 | 線形代数 | ・スカラー,ベクトル,行列 ・行列の演算 ・サイズ感 ・転置,単位行列,逆行列 ・ベクトルで微分 |
| 50分 | 重回帰分析(数学) | ・「モデルを決める」 ・「評価関数」を決める ・評価関数を「最小化」する |
| 70分 | 重回帰分析(実装) | ・行列演算の基礎 ・パラメータの導出 ・実データで演習 |
| 30分 | 統計 | ・主な統計量 ・正規分布と3σ法 ・スケーリング |
| 30分 | 外れ値を考慮した実装 | ・外れ値除去 ・モデル構築 ・スケーリングとパラメータの確認 |
| 15分 | ビジネス活用 | ・現場で機械学習を導入できる人材とは |
| 9:30 - 10:00 | イントロダクション | ・自己紹介 ・AIの開発フロー |
| 10:00 - 10:40 | 数学演習テスト | ・微分 ・線形代数 ・統計 |
| 10:50 - 13:30 | プログラミング演習テスト | ・Jupyter Notebook ・リスト, タプル, 辞書 ・制御構文 ・NumPy, pandas, matplotlib |
| 13:30 - 14:30 | 環境構築 | ・Azure ・GPU (Cuda) ・Docker ・Nvidia- Docker |
| 14:40 - 16:00 | ディープラーニング（数学） | ・ニューラルネットワーク のモデル ・線形変換 ・非線形変換 |
| 16:10 - 16:50 | プログラミング基礎 | ・Classの基礎 |
| 17:00 - 17:30 | ディープラーニング（実装） | ・Chainerの基礎 ・線形変換 ・非線形変換 |
| 9:30 - 11:30 | 分類（実装） | ・問題設定（ワインの等級の予測） ・クラスの文法 ・ニューラルネットワーク モデルの定義 ・Trainerの設定 ・バッチ正規化の実装 |
| 11:40 - 14:00 | 回帰（実装） | ・問題設定（家賃の予測） ・ニューラルネットワーク モデルの定義 ・Trainerの設定 |
| 14:10 - 15:10 | 画像処理（数学） | ・画像の扱い方 ・どのようにベクトルで表現するか ・フィルタの基礎 ・エッジフィルタの計算 ・Convolutional Neural Network |
| 15:20 - 15:50 | 画像処理（実装） | ・画像の読み込み（OpenCV, Pillow） ・フィルタの計算 |
| 16:00 - 17:00 | 画像分類 | ・CNNモデルの定義 ・GPUで計算方法 |
| 17:00 - 17:30 | 課題 | ・実データに対する画像分類の精度を高める |
| 9:30 - 10:30 | 時系列解析（数学） | ・時系列データとは ・どのようにベクトルで表現するか ・複数の変数に対するモデル化 ・Recurrent Neural Network |
| 10:40 - 13:30 | 時系列解析（実装） | ・データの取得 ・データの可視化 ・トレンド抽出 ・RNNモデルの定義 ・実データに対する分類の実装 |
| 13:40 - 14:50 | 自然言語処理 | ・形態素解析 ・どのようにベクトルで表現するか |
| 15:00 - 16:20 | 文書分類 | ・形態素解析 ・名詞のみの抽出 ・特徴量変換（BoW） ・文書データから教師データ作成 ・NNモデルで分類の実装 |
| 16:30 - 17:30 | 文章生成 | ・可変長データの扱い ・RNNによるモデル化 |
| 160分 | 数学～線形代数～ | ・ノルム ・内積 ・逆行列 ・行列式 ・三次の逆行列 ・固有値問題 ・特異値分解 ・ラグランジュの未定乗数法 ・主成分分析 |
| 85分 | 数学～確率統計～ | ・期待値 ・確率分布 ・ベイズ則 ・尤度関数 |
| 50分 | 情報理論 | ・情報量 ・エントロピー ・KLダイバージェンス |
| 90分 | 機械学習～基礎・パーセプトロン～ | ・機械学習アルゴリズム ・微分で必要な知識 ・パーセプトロン |
| 40分 | 機械学習～サポートベクターマシン～ | ・サポートベクターマシン |
| 50分 | 機械学習～ロジスティック回帰～ | ・ロジスティック回帰 |
| 15分 | 機械学習〜k-means・最近傍法〜 | ・k-means ・最近傍法 |
| 70分 | 深層学習〜誤差逆伝播法・過学習対策〜 | ・最急降下法の復習 ・誤差逆伝播法 ・ドロップアウト ・正則化 |
| 50分 | 深層学習〜最適化〜 | ・最適化-1-最急降下法 ・最適化-2-SGD ・最適化-3-モーメンタム ・最適化-4-ネステロフのモーメンタム ・最適化-5-Adagrad ・最適化-6-RMSProp ・最適化-7-Adam |
| 80分 | 深層学習〜CNN・R-CNN〜 | ・CNN-1-有名なモデル1 ・CNN-2-有名なモデル2 ・R-CNN-1-概要 ・R-CNN-2-CNNの復習 ・R-CNN-3-CNNの中身 ・R-CNN-4-IoU ・R-CNN-5-Fast R-CNN ・R-CNN-6-Multi task Loss ・R-CNN-7-Faster R-CNN ・SemanticSegmentation-1-U-net ・SemanticSegmentation-2-FCN ・SemanticSegmentation-3-SegNet |
| 50分 | 深層学習〜RNN〜 | ・RNN-LSTM1 ・RNN-GRU ・RNN-GradientClipping ・RNN-双方向RNN |
| 60分 | 深層学習〜生成モデル〜 | ・生成モデル-AE ・生成モデル-VAE ・生成モデル-GAN |
| 75分 | 深層学習〜強化学習〜 | ・強化学習 |
| 55分 | 深層学習〜計算グラフ〜 | ・計算グラフ -計算グラフとは ・計算グラフ -足し算、掛け算 ・計算グラフ- Affine変換 |
| 120分 | 深層学習〜NN実装〜 | ・NumpyでNN実装 ・NumpyでNN実装-レイヤとしてまとめていく ・NumpyでNN実装-逆伝播-Affine ・NumpyでNN実装- 各種Optimizerについて ・NumpyでNN実装-NNの構造 ・NumpyでNN実装-データの準備 ・NumpyでNN実装-学習に必要な準備 ・NumpyでNN実装-学習 ・NumpyでNN実装-推論 ・RNN-Attention |
| 90分 | 新シラバス | ・正規化 ・モデル圧縮 ・分散処理 ・MobileNet ・DenseNet ・Pix2Pix ・WaveNet ・Transformer ・AlphaGo |
| 日程 | コース | 開催場所 | 開催時間 | 開催地詳細 | 残席状況 |
|---|---|---|---|---|---|
| 4/14~4/16 | Keras | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 4/21~4/23 | Keras | 名古屋教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 4/28~4/30 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | 〇 |
| 日程 | コース | 開催場所 | 開催時間 | 開催地詳細 | 残席状況 |
|---|---|---|---|---|---|
| 5/12~5/14 | Keras | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 5/12~5/14 | Keras | 名古屋教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 5/19~5/21 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | 〇 |
| 5/26~5/28 | PyTorch | 神田第3教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 日程 | コース | 開催場所 | 開催時間 | 開催地詳細 | 残席状況 |
|---|---|---|---|---|---|
| 6/9~6/11 | Keras | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 6/16~6/18 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | 〇 |
| 6/22~6/24 | PyTorch | 名古屋教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 6/23~6/25 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 日程 | コース | 開催場所 | 開催時間 | 開催地詳細 | 残席状況 |
|---|---|---|---|---|---|
| 7/1~7/3 | PyTorch | 名古屋教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 7/14~7/16 | Keras | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 7/21~7/23 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 7/28~7/30 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 日程 | コース | 開催場所 | 開催時間 | 開催地詳細 | 残席状況 |
|---|---|---|---|---|---|
| 8/5～8/7 | PyTorch | 名古屋教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 8/19～8/21 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 8/26～8/28 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 日程 | コース | 開催場所 | 開催時間 | 開催地詳細 | 残席状況 |
|---|---|---|---|---|---|
| 9/1～9/3 | PyTorch | 名古屋教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 9/2～9/4 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
| 9/23～9/25 | PyTorch | 神田第2教室 | 9:30~17:30 | 詳細を見る | ◎ |
当日PCをご持参できない方は、レンタルPCの使用をお申込みください。
Azure５万円分の使用権を特典として付与させていただきます。
美味しいお弁当を3日分ご用意しております。
最少催行人数は３名です。
※セミナー開始日の２週間前までに最少催行人数に達しない場合はセミナーを中止させていただきます。
中止の場合のみご連絡を差し上げております。
厚生労働省指定の「専門実践教育訓練給付金」の対象講座について
※ディープラーニングハンズオンセミナー Chainerコース、Kerasコースのハンズオンセミナープランのみが対象となります。
給付金対象のハンズオンセミナープランを申込んだ後、E資格補講動画の別途申込（ただし給付金対象外）が可能です。
E資格受験プランが対象となるように、今後申請を進めてまいります。
専門実践教育訓練明示書はこちら
①お申し込みフォームより「E資格受験プラン」でお申し込みください。
②事前学習の後、3日間のセミナーをご受講ください。
③セミナー受講後、補講動画をご視聴ください。
④補講動画を修了されましたら、視聴完了フォームからご報告ください。
⑤確認が取れ次第、JDLAに申込コード発行を依頼します。申込コードが届きましたら、ご自身でE資格にお申し込みください。
※大変恐れ入りますが、補講動画についての質問は原則として受付できませんので、ご了承ください。
8月にE資格を受験したい場合、補講動画のご視聴や復習期間を考慮して、6月中のご受講を推奨しています。
※7,8月の研修をご受講された場合、E資格受験に必要な手続きが間に合わない可能性がございます。
プログラミング未経験者でもわかる予習動画がございます。
こちらを学習して頂く事でセミナー受講は十分に可能です。
もし、不安なようであれば早めに申し込んで頂き、予習の時間を多くとる事をおすすめしております。
はい、可能です。
請求書発行に関する情報は、お申込み後のメールにてご連絡差し上げます。
ディープラーニングハンズオンセミナーChainerコース、Kerasコースのハンズオンセミナープランと6ケ月の長期コースが給付金の対応講座となっております。
専門実践教育訓練給付金の利用の手続きは、ご本人で最寄りのハローワークにて進めてくださいますようお願いいたします。
以下のリンクにて概要まとめております。詳しい内容は必ずハローワークにお問い合わせください。
https://www.kikagaku.co.jp/subsidy-seminar/
ハンズオンセミナープランでご受講の方でも、補講動画を視聴いただくことでE資格受験が可能となります。
追加でお申込みの方は、以下のフォームよりお申込みいただいております。
追加費用10万円（税抜）にてご視聴いただけます。
アカウントは通常、お申込み後3営業日ほどで発行されます。
https://forms.gle/tFrr2YEX7mk8HwANA
以下のフォームより必要情報を記入ください。
担当者より見積書をPDFでお送りさせていただきます。
https://forms.gle/JNwgw1JZeHTD5bLZA/
バウチャーチケットをご用意しております。先払いで購入して頂き、6ヶ月先までの日程に関して自由にお選び頂く事が可能です。詳しくはお問い合わせ窓口にご相談ください。
[email protected]
