Question.01
ディープラーニングをするにあたって、数学知識が必要な理由をお教えください。
データサイエンティスト,林祐輔_하야시 Details
講座紹介
トレーラー
データサイエンティスト
林祐輔
お試し動画
講座の様子を
少しだけ公開します！
数学からアプローチして基礎固め！
全55講の充実のカリキュラムで
「ディープラーニング」を始めましょう
AIにおける技術発展の中心で、
無限の可能性を持つ「ディープラーニング」。
活用範囲は日々進化し、
学習へのニーズも高まっている中、
今回の講座はディープラーニングを
理解していく上での土台となる内容を、
基本からしっかり学べます。
日本銀行での海外経済の景気動向分析をはじめ、
データサイエンティストとして
豊富な経歴を持つ林祐輔が、
強みである数学理論を用いて、
ディープラーニングの活用に
十分な知識を基礎から丁寧にお教えします。
ディープラーニングの基礎概念から、
数学知識、ニューラルネットワークの仕組みなど、
ディープラーニングの活用に欠かせない知識の解説に加え、
多数の演習問題も交えた
全55講の充実のカリキュラム構成です。
特に、関連の専攻や大学数学を
勉強していない方でも挑戦できるよう、
高校数学レベルから学べるのが特徴。
単調で退屈なイメージを
持たれがちな数学を
林祐輔ならではの数式の見せ方や
視覚的なアニメーションを通して、
数学を直観的に理解しながら楽しく学べます。
また、ディープラーニングに限らず、
データサイエンスの学習の根幹となる
数学を網羅したカリキュラムで、
業界志望者から現役のエンジニア、
データサイエンティストまで必見の講座です。
ディープラーニングの「第一歩」となる講座を
Colosoで体験してください！
講座情報
本数：55本の映像
難易度：初級
無期限視聴
使用プログラム
Python
※Google Colab上でノートブックを共有するため端末へのインストールは不要です。
※詳細はページ内下段の使用プログラムについての案内をご確認ください。
動画情報
オンラインVOD
オーディオ：日本語
講座特典
講座内容のPDF資料
Jupyter Notebookを通した演習問題集
実践練習問題集(自己学習用)
マクロ経済分析や数学理論を
強みとし幅広く活躍する
林祐輔のポートフォリオ
-
研究論文の執筆多数
例) 「Meta Cyclical Annealing Schedule:
A Simple Approach to Avoiding Meta-Amortization Error」 -
研究論文の解釈及び原稿投稿多数
例) ニューラルネットの場の量子論的解釈
ディープラーニングを活用するための
基盤となる知識について
段階的に理解を深めていきます
変換行列の視覚的な理解
線形回帰モデルの説明
ニューラルネットを
使った回帰モデルの説明１
使った回帰モデルの説明１
ニューラルネットを
使った回帰モデルの説明２
使った回帰モデルの説明２
最適化の視覚的な理解（情報幾何の初歩）
勾配降下法の説明１
勾配降下法の説明２
深層生成モデルの潜在空間の視覚化
講師紹介
林祐輔
データサイエンティスト
はじめまして
データサイエンティストの林祐輔です。
思考実験を出発点にして
物理現象の核心を抽出していく
アインシュタイン博士の研究スタイルに憧れ
大学院修士までの計６年間、物理学を学びました。
様々な専門用語が飛び交う研究の現場は
私にとって非常にエキサイティングな場所でしたが
この世界のもう一つの側面である人間の感情や
社会、政治経済に触れずに生きていくことに疑問も
感じていました。そこで一念発起し
日本銀行の総合職として、国内外の景気動向分析や
日銀短観の集計・分析を通じて経済統計の構造と
解釈について深い知識を得ました。
その後、民間企業が保有する
オルタナティブデータを使った研究やビジネスに
関心を持ち、ベンチャー企業に転職しました。
現在はオルタナティブデータと機械学習を
組み合わせた先端的な分析を駆使して、
企業やマクロ経済の隠れたシグナルを発見する
プロジェクトに携わっています。
この講座では、21世紀の国際社会を根本から
変えていこうとしているディープラーニングの数学を
高校数学レベルの基礎から学ぶことができます。
この講座を通じて、みなさんのお仕事や知的生活に活かせる
"数理的な知"を身につけるお手伝いができれば、と願っています。
林祐輔
現) Japan Digital Design株式会社
AI-Studio (M-AIS) : 主任研究員
前) ナウキャスト : チーフデータサイエンティスト
前) 日本銀行 : エコノミスト（総合職入行）
【学歴】
2011年 九州大学大学院理学部物理学専攻博士前期課程修了
2009年 九州大学理学部物理学科卒業
【活動】
NeurIPS、ICLR、IBIS等への参加
その他、機械学習と神経科学、物理学のクロスオーバー領域において、プライベートな研究会やセミナーで発表多数
【参加プロジェクト・研究】
・事象の地平面を隔てた領域間での量子エンタングルメントの研究
・日本・海外各国のマクロ景気動向分析
・新日銀ネットの開発プロジェクト
・夜間光衛星画像を使ったマクロ経済指標・企業活動のナウキャスティング
・銀行口座データを使ったマクロ経済指標・企業活動のナウキャスティング
・地理空間データを使ったマクロ経済指標・企業活動のナウキャスティング
・Point of Salesデータを使ったマクロ経済指標・企業活動のナウキャスティング
・クレジットカードデータを使ったマクロ経済指標・企業活動のナウキャスティング
・Google検索トレンドデータを使ったマクロ経済指標・企業活動のナウキャスティング
・ディープラーニングを使ったメタ学習手法の提案
・深層生成モデルの潜在空間の構造と相転移
講座のポイント
この講座のポイント
機械学習の
基本的な概念を理解
データサイエンティストの業務では、決定木ベースのモデルなど、様々な機械学習モデルを使って分析を行います。機械学習の基本的な概念を理解していれば、ディープラーニング以外のモデルを使う際でも素早く適応できます。本講座では、訓練と検証、学習と推論、汎化誤差と経験誤差など、機械学習に関する基本的な概念を学べます。
ディープラーニングを
活用するために必要な
数学を基礎から丁寧に解説
線形代数、確率論の基本から出発し、ディープラーニングがなぜここまで広く使われるようになったのか、を説明する万能近似定理や機械学習全般にみられる過学習の問題、そしてそれを緩和するための正則化テクニックなど、ディープラーニングの基本にある「数学」を例題を解きながら身につけることができます。
関連分野の研究論文を
理解するための土台作り
驚くほど早いスピードで研究が進むディープラーニング。次々に新しい概念が生まれ、それを使った新しいサービスや製品が企業から提供され続けています。本講座の内容だけでその研究の最前線に追いつくことは難しくても、関連する論文に登場する用語の大部分について数式レベルで理解できるようになる専門性を磨くことができます。
講座内容
下記のような内容を
学べます。
-
ディープラーニングの基礎となる
数学の知識ディープラーニングには非常に広範な分野の数学が使われていますが、実務のために全てを網羅する必要はありません。線形代数、確率論、最適化理論などのエッセンスを学ぶことで、ディープラーニングを使って実務的な課題を解くには十分なレベルの知識を習得することができます。 -
ディープラーニングにタスクを
解かせるために必要なノウハウディープラーニングにはいくつかのモデルがあり、それぞれ得意なタスクが違います。時系列データの先行きの予測、傷んだリンゴが写った画像の識別といった様々なタスクに対して、どのモデルを使うのが適切か、自分で判断できるようなスキルを身につけます。さらに演習課題のJupyter Notebookを参考にしながら、ディープラーニングに実務的なタスクを解かせることができるようになります。 -
ディープラーニングの内部で
起こっている現象を視覚的に理解ディープラーニングには膨大な数のパラメータが使われています。そのためパラメータ空間内の出来事を視覚化するには超高次元空間の可視化が必要になりますが、とても難しいためディープラーニングの数学を視覚的に理解することに注力したテキストは多くありません。超高次元空間の現象を低次元空間に落とし込んで視覚化するテクニックや、簡単なトイモデルに置き換えて考えることで、数学に苦手意識を持つ方でも直観的に理解できるようなノウハウをお教えします。
-
エンジニアや研究者などの専門家と
議論するための前提知識専門家と議論する際、モデル開発上の課題がどこにあるのか、という問題意識の擦り合わせができていないために議論がうまく噛み合わない、といった事態が起こりがちです。こうした事態を回避するためには、その課題を専門家と素早く共有することが重要になります。ディープラーニングの数学をきちんと理解し、専門家と問題意識をスムーズに共有するためのコツをお伝えします。 -
過学習を緩和させディープラーニングの
学習を進めるためのテクニック現実の課題解決にディープラーニングを使ってみると、モデルの選択ミスや過学習など、学習の失敗につながる落とし穴がいくつも潜んでいることに気がつきます。この講座では、こうした落とし穴の代表的な事例について紹介した後、それらを回避するための理論とテクニックを説明します。 -
豊富な例題と自習用の
演習課題で応用力をアップ理論を学ぶセクションでは、各セクションに１つ以上の演習の時間が用意されています。豊富な例題を自分の手で解くことで理論を習得し、さらに自習用の演習課題まで解くことで、実務的なタスクにディープラーニングを適用できるようになります。
(자동 구성) 가격이 인상됩니다.
지금이 최저가!
カリキュラム
カリキュラム
55講のカリキュラム内容の
ご紹介
インタビュー
データサイエンティスト
林祐輔が
お話したいこと
ビジネス本の解説を読んでディープラーニングを理解したつもりになっても、比喩を使った抽象的な理解がほとんどで、ディープラーニングを数式として理解していないと、エンジニアや研究者などの専門家と具体的な議論をすることができない場合が多いです。実はディープラーニングの基礎にある数学はシンプルです。その基礎的な数学を身につけると、ディープラーニングがどういうメカニズムで学習や推論を行なっているのか、を数式レベルで理解できるようになり、専門家とも有意義な議論ができるようになります。
Question.02
データ活用やデータ分析により、業務に与えられる肯定的な影響やメリット、またどのような活用方法が考えられるのかお話しください。
データ活用やデータ分析により、業務に与えられる肯定的な影響やメリット、またどのような活用方法が考えられるのかお話しください。
我々は日常生活や業務の様々なレベルで日々繰り返し意思決定を行っています。データ、そして機械学習モデルは、我々の意思決定を助ける強力なツールの１つです。例えば、スマートフォンのGPSデータを追跡することで、自社製品の原材料に使う農産物の１次サプライヤーの状況が明らかになったりします。また、COVID-19の流行という国際的なパンデミックの最中、多くの国の政府が給付金の一斉給付を行いました。その際、銀行口座の決済データを分析することで、パンデミックによって収入が大きく減った人々が社会のどこにいたのかを可視化することができました。こうしたデータ分析の成果を活用すれば、よりスマートな給付金の支給プロセスを作れるはずです。このようにデータ分析には、企業や社会、そして一人ひとりの個人の生活をより良くする力があると思っています。
Question.03
本講座の受講後に到達できる目標について具体的にお教えください。
本講座の受講後に到達できる目標について具体的にお教えください。
線形代数、確率論の初歩から出発して、カルバックライブラーダイバージェンス、情報量基準、万能近似定理などのディープラーニングの理解にとって重要な概念を学んでいきます。さらに畳み込みニューラルネット、再帰型ニューラルネット、自己符号化器、ボルツマンマシン、深層強化学習といった現代的なディープラーニングのパーツの特徴を理解し、過学習の回避方法やモデルの学習時に注意すべきポイントが身につきます。ここまで学んだら、あとは自分の興味がある最近の論文をみつけてきて、その論文の解読に挑戦してみるというのも一案です。セクション７～８のボーナストラックでは、二重降下現象のような最先端の話題にも触れていますので楽しみにしてください。
Question.04
講師さまがお考えになる、今後の該当業界の市場性、展望についてお話しください。
講師さまがお考えになる、今後の該当業界の市場性、展望についてお話しください。
ディープラーニングや機械学習をビジネスで利用する機会は今後も拡大し続けると思います。テキストからCGや映像を生成したり、リアルタイムの自動翻訳機といった未来がすぐそこまで来ています。また、そうした技術をGPSデータや衛星画像などのオルタナティブデータと組み合わせることで、これまでになかった技術やサービスが生まれる可能性があると思っています。社会の様々なところで、データ×ディープラーニング（機械学習）の新しい使われ方を見ることになると思います。
Question.05
受講生に向けてメッセージをお願いいたします。
受講生に向けてメッセージをお願いいたします。
「数学」というと「冷たい・無機質」、また数学の講座といえば「単調・退屈」といったネガティブなイメージを持たれがちですが、その一方で数学者や物理学者、データサイエンティストといった人々が数学について嬉々として語る光景を見たことがある方も多いと思います。こうした人々はなぜ数学を「楽しいもの」と感じることができるのでしょうか？数学は本当は退屈なものではありません。しかも、その数学が21世紀の人類に大きな衝撃を与えたディープラーニングの核心にあります。この講座が、皆さんの仕事や趣味を一歩前に進めるための一助になることができたら望外の喜びです。
使用プログラムについて
ご案内します。
使用プログラムについてご案内します。
当講座は、以下のツールを使用します。
[メインツール]
Python
※Google Colab上でノートブックを共有するため端末へのインストールは不要です。
【受講に必要な予備知識について】
・ベクトルの計算や微分積分の初歩を理解していると講座の終わりまでスムーズに進むことができます。
・Pythonを使ったことのない方も受講するには問題ありませんが、Pythonを使ったプログラミングの経験があると、演習課題を解くだけでなく、内容を書き換えて自分が解きたい問題やディープラーニングのモデルやグラフが描けます。
おすすめの講座
おすすめの講座
この講座を見た方は
こちらもチェック！
ご注意事項
*本ページ上の情報は弊社の都合により事前の告知なく変更、終了することがございます。予めご了承ください。
*講座の返金規定はColosoの返金ポリシーに準じます。▶ 返金ポリシーはこちら
* 受講、例題使用範囲などの知的財産権、機器台数制限に関する情報はFAQ
欄でご確認ください。