☆AIを活用できる人材を育成するための全3回特別講座。基礎から環境構築、実践まで段階的に習得します。
■AI活用人材育成講座<全3回>■
第1回テーマ『Python基礎と機械学習基礎』のプログラム→ https://www.rdsc.co.jp/seminar/240632
第2回テーマ『ディープラーニングと機械学習プロジェクトの進め方』のプログラム→ https://www.rdsc.co.jp/seminar/240742
第3回テーマ『機械学習実践編~分類,時系列解析,異常検知,生成AI~』のプログラム→ https://www.rdsc.co.jp/seminar/240807
※第1回と第2回はアーカイブ配信となります。お申込みいただき次第、視聴URLとテキスト(PDF)をお送りします
1.機械学習とは
1-1 概要
1-2 学習方法による分類
1-3 活用する箇所
2.機械学習のためのデータ準備
2-1 データとは
2-2 画像・言語、音のデータ化
3.python基礎
3-1 環境構築
(1) PCでの環境構築
(2) クラウドの環境利用(Google Colab)
3-2 文法基礎
3-3 ライブラリの活用
3-4 フレームワークの活用
4.機械学習を試す
4-1 機械学習のサンプル1(数値データ解析)
4-2 機械学習のサンプル1(画像データ分類)
【質疑応答】
1.ディープラーニングの基礎
1-1 機械学習とディープラーニングの違いは?
(1) ディープニューラルネットワークとは
(2) 把握すべきディープニューラルネットワークの特性
1-2 ディープラーニングを分類し、その特徴を把握する
(1) 畳み込みニューラルネットワーク CNN(Convolutional Neural Network)
(2) 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
(3) 強化学習 (Deep Q-learning)
(4) その他の手法
2.機械学習プロジェクト進め方
2-1 データ準備
2-2 一般的なデータ前処理
2-3 特徴量エンジニアリング
2-4 手法の定義
2-5 パラメータ調整
(1) ハイパーパラメータとは
(2) ハイパーパラメータの自動調整(optunaの活用)
2-6 データ量に関する考察
2-7 基盤モデルと転移学習
【質疑応答】
1.画像分類/物体検出
1-1 画像での特徴量エンジニアリング
1-2 分類モデル
1-3 物体検出
1-4 サンプルデータを使用した物体検出
2.時系列データ解析
2-1 時系列データの定義
2-2 自己相関と変動
2-3 ARIMAモデル
2-4 RNNモデル
2-5 サンプルデータを使用した時系列予測
3.異常検知への応用
3-1 異常検知の基本
3-2 AutoEncoder
3-3 RNN+AutoEncoder
3-4 サンプルデータを使用した異常検知
4.生成AI
4-1 生成AIの基本
4-2 著作権の注意
4-3 Transeformer
4-4 Diffusion model(拡散モデル)
4-5 サンプルデータを使用したLLMの転移学習
【質疑応答】