AI、機械学習、ディープラーニング学習セット

Udemyが誇る人気開発学習コースを今ならセット価格でご提案。
この講座より、AI、機械学習、ディープラーニングをマスターし、
初心者の方でもPythonの基礎を取得し、いざ開発へ!
3 Full Courses
$370 value
Only $54
Courses: 3
Content: 21 hours
Students: 10,000
Average Rating:

Includes these 3 top-rated courses

    みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習
    $125
    Pythonで機械学習:scikit-learnで学ぶ識別入門
    $125
    【4日で体験しよう!】 TensorFlow x Python 3 で学ぶディープラーニング入門
    $120

Course Details

みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習
86 lectures
5.5 hours
Beginner Level

みんなのAI講座は、誰に対しても開かれた人工知能、機械学習の講座です。プログラミングや数学の事前知識はほとんど必要ありません。

難解な数式やプログラミングが学習の妨げであった方でも、問題なく学習できます。

文系や非エンジニアの方にもお勧めです。

500人以上にプログラミングを指導し、ワールドビジネスサテライトにも登場した経験豊富な講師が指導します。

本コースでは、人工知能技術全般の解説を行いますが、実際にを書くのは主に機械学習のコードです。

機械学習のコードは、人工知能の分野で最もメジャーなプログラミング言語、Pythonで記述します。

開発には、PyCharmという開発環境を使います。これにより、初心者の方が躓きやすい環境設定が大幅に楽になります。ターミナルなどのコマンドラインを開く必要はありません。

データの分類や、文字認識、株価分析などの実践も行います。

その他コースの特徴は、以下通りです。

- 理論よりも体験を、手を動かすことを重視します。

- 可能な限り、簡単な数学を用いて解説します。

- 必要な数学はグラフィカル、直感的に解説します。

- ニューラルネットや機械学習などの難しい概念は、細かく分解して少しずつ学習します

- プログラミング初心者、未経験者でも大丈夫です。プログラミング言語Pythonを基礎から勉強します。

- 機械学習の基礎が身につきます。機械学習のコードを一から実装します。既存の有名ライブラリの解説も行います。

- Python2.7、Python3.6、それぞれに対応したソースコードをダウンロード可能です。動画ではPython2.7を使用しますが、使用するソースコードはPython3.6のものと大きな違いはありません。

なお、大学レベル以上の数学や、機械学習の深い理論の解説は行いませんのでご注意ください。

ディープラーニングに関しては、概念のみの解説となります。

Yukinaga Azuma (我妻幸長), エンジニア+R&D プログラミング講師

エンジニア+R&D / プログラミング講師。

プログラミング講師として500人以上を指導。2014年にはワールドビジネスサテライトに登場。エンジニアTypeでは、新しいプロググラミング言語Swiftの解説記事を執筆。また、Softbank社、レバレジーズ社において、iOS、Andoroidアプリ開発の指導を行う。

iOSの分野で日本最大のカンファレンス、iOSDCではスマートフォンを用いたVR技術について講演。

東北大学大学院理学研究科修了。理学博士。興味の対象は、人工知能、VR、複雑系、生物学、歴史、GPUコンピューティングなど。

エンジニアとしてゲーム、VRなどジャンルを問わず30本以上のアプリを開発。開発したアプリ、「ちんあなごのうた 南の海の音楽祭」は朝日放送系のニュース、大洗水族館などで紹介される。

著書に、「No.1スクール講師陣による 世界一受けたいiPhoneアプリ開発の授業。

都内で、様々な分野のエンジニアが集まる勉強会「てくてく勉強会」を毎月開催中。

趣味は読書、ブラジリアン柔術で一児の父。

Sections
5 lectures 26 mins
  • Lecture 1. コースの概要 Free Preview

    コースの特徴、および各セクションの内容について、俯瞰的に解説します。

    05:54
  • Lecture 2. 人工知能(AI)の概要

    人工知能について、一般論や用途、歴史について解説します。

    09:01
  • Lecture 3. 機械学習とは

    機械学習について、概要を解説します。

    05:08
  • Lecture 4. プログラミング言語、Python

    プログラミング言語Pythonの概要、メリットなどについて解説します。

    03:10
  • Lecture 5. 学習の心構え

    効率的な学習のための心構えについて解説します。

    02:59
7 lectures 28 mins
  • Lecture 6. Pythonのインストール(Windowsのみ)

    Pythonのインストール方法について解説します。

    Pythonのインストールが必要なのはWindowsのみです。Macは最初からPythonがインストールされています。

    後のレクチャーでAnacondaをインストールする方は、このレクチャーでPythonをインストールしなくてもかまいません。

    04:23
  • Lecture 7. PyCharmの解説

    とても使いやすいPython用の統合開発環境、PyCharmの解説を行います。

    01:27
  • Lecture 8. PyCharmのインストール(Mac)

    Mac版PyCharmのダウンロード、インストール方法について解説を行います。
    PyCharmは無料でダウンロード可能です。

    04:20
  • Lecture 9. PyCharmのインストール(Windows)

    Windows版PyCharmのダウンロード、インストール方法について解説を行います。

    PyCharmは無料でダウンロード可能です。

    03:20
  • Lecture 10. PyCharmの環境設定

    PyCharmで開発を行うための環境設定について、解説を行います。

    06:13
  • Lecture 11. Anacondaのインストール (Windows)

    パッケージの導入時におけるトラブルを避けるために、Windowsの方はAnacondaをインストールしましょう。Anacondaを導入しておけば、本コースで今後導入するnumpy、scipy、matplotllib、scikit-learnなどのパッケージは導入する必要がありません。

    04:36
  • Lecture 12. 学習のための参考資料

    学習の助けになるウェブサイトなどを紹介します。

    03:13
26 lectures 1.5 hours
  • Lecture 13. Hello World!

    Pythonプログラミングの最初の一歩です。

    04:09
  • Lecture 14. 拡張子について

    本コースにおける拡張子の扱いについて解説を行います。

    03:02
  • Lecture 15. コメントと日本語対応

    コードに説明文を記述するために必要な、コメントと日本語対応について解説を行います。

    03:28
  • Lecture 16. 変数の概念

    プログラミングの基本、変数の概念について解説を行います。

    03:45
  • Lecture 17. 四則演算

    加減乗除の四則演算について解説します。

    04:02
  • Lecture 18. 乱数

    乱数の概念を解説します。
    ※ファイル名が、randomもしくはrandom.pyだとファイル名がモジュール名と重複しエラーが発生する場合があるようです。そのような際は、ファイル名をmy_random.pyなどの異なる名前にご変更ください。

    02:05
  • Lecture 19. 文字列の操作1

    文字列の概念を習得し、コードの中で文章を扱えるようにします。

    03:21
  • Lecture 20. 文字列の操作2

    より高度な文字列操作について、解説を行います。

    03:10
  • Lecture 21. Bool値と比較演算子

    Bool値と比較演算子について、概念から解説を行います。

    07:15
  • Lecture 22. 論理演算子

    論理演算子について、概念から解説を行います。

    04:00
  • Lecture 23. 分岐

    if文を用いた分岐について解説を行います。

    04:57
  • Lecture 24. リスト

    リストを用いたデータの効率的な扱い方を学習します。

    03:10
  • Lecture 25. タプル

    タプルを用いたデータの効率的な扱い方を学習します。リストとの違いについても解説します。

    03:30
  • Lecture 26. 辞書

    辞書を用いることによる、可読性の高いデータの扱い方について学習します。

    04:23
  • Lecture 27. for文

    for文を用いたループ処理について学習します。

    04:03
  • Lecture 28. While文

    while文を用いたループ処理について学習します。

    02:37
  • Lecture 29. 分岐とループの組み合わせ

    分岐とループを組み合わせることで、より複雑な処理が行えるようになります。

    02:00
  • Lecture 30. 関数

    関数を使うことで、何度も同じ処理を書く必要が無くなります。

    02:27
  • Lecture 31. スコープ

    関数を使う場合は、スコープと呼ばれる変数の有効範囲に注意する必要があります。

    02:39
  • Lecture 32. 引数と返り値

    引数は関数にデータを渡すために、返り値は関数から外部にデータを渡すために用いられます。

    03:14
  • Lecture 33. デバッガの使い方

    デバッガを使うことで、コードの問題箇所を楽に発見できるようになります。

    03:35
  • Lecture 34. 多重リスト

    多重リストを用いることで、少々込み入ったデータ構造を作ることができます。

    03:12
  • Lecture 35. クラスの概念の解説

    実際にコードを書く前に、少々分かりにくいクラスの概念を図を用いて解説します。

    01:18
  • Lecture 36. クラス

    クラスは、複数の変数や関数をひと塊りにしたもので、オブジェクト指向プログラミングの根幹を成しています。クラスは設計図のようなもので、一つのクラスから複数のインスタンスが作られます。最初は分かりにくいと思いますので、時間をかけて取り組みましょう。。

    03:37
  • Lecture 37. クラス、リストの応用 Free Preview

    クラス、インスタンスとリストを組み合わせます。オブジェクト指向らしい複雑な構造を、少しずつ勉強していきます。

    06:00
  • Lecture 38. ファイルの読み込み

    外部ファイルの読み込み方法を学習します。

    05:17
9 lectures 37 mins
  • Lecture 39. 機械学習に必要な数学

    これから学習する機械学習に必要な数学の概要です。

    02:10
  • Lecture 40. matplotlibの導入

    数学の関数をグラフィカルに表示するために、matplotlibを導入します。

    03:04
  • Lecture 41. 一次関数の描画

    matplotlibを用いて、一次関数の描画を行います。

    04:09
  • Lecture 42. 様々な関数の描画

    matplotlibを用いて、様々な関数の描画を行います。

    03:44
  • Lecture 43. 指数関数

    指数関数について解説を行います。関数が描く曲線のイメージが大事になります。

    05:33
  • Lecture 44. ネイピア数 Free Preview

    不思議だけどとても有用な、ネイピア数を用いた指数関数について学習します。

    05:58
  • Lecture 45. シグモイド関数1

    ネイピア数の指数関数を用いたシグモイド関数について学習します。シグモイド関数が描く曲線をイメージできるようになることが大事です。

    04:25
  • Lecture 46. シグモイド関数2

    シグモイド関数の学習の続きです。シグモイド関数の傾き(微分)を学習します。

    03:44
  • Lecture 47. シグモイド関数3

    シグモイド関数の学習の続きです。シグモイド関数が描く曲線をイメージできるようになりましょう。

    03:48
15 lectures 44 mins
  • Lecture 48. 神経細胞の構造

    神経細胞の構造および複数の神経細胞が形作るネットワークについて、解説を行います。

    01:30
  • Lecture 49. ニューラルネットワークの概要

    ニューラルネットワークの概要について、模式図を用いて解説します。

    01:44
  • Lecture 50. ニューロンの概念的な構造

    個々のニューロンの概念的な構造について、解説を行います。

    01:30
  • Lecture 51. ニューロンへの入力

    ニューロンへの入力について、実際にコードを書きながら学習します。

    05:00
  • Lecture 52. ニューロンからの出力

    ニューロンからの出力について、実際にコードを書きながら学習します。

    02:39
  • Lecture 53. シグモイド関数の導入

    シグモイド関数の役割について、実際にコードを書きながら学習します。

    03:30
  • Lecture 54. 結合荷重(重み)

    ニューロへの入力における結合荷重について、実際にコードを書きながら学習します。

    03:01
  • Lecture 55. ニューラルネットワークによる分類の概要

    外部データを導入する前に、これから行うニューラルネットワークによる分類の概要を解説します。

    01:14
  • Lecture 56. 外部データの導入

    これから構築するニューラルネットワークで扱う、外部データの読み込みを行います。様々な地点におけるフェイクの緯度と経度のデータです。

    04:28
  • Lecture 57. 外部データの表示

    読み込んだ外部データをmatplotlibにより表示します。

    03:31
  • Lecture 58. 外部データの分類

    ここまで書いたコードを用いて、データの分類にトライします。

    03:29
  • Lecture 59. バイアスの導入 Free Preview

    バイアスにより、データ分類の境界が調整されることを確認します。

    03:32
  • Lecture 60. 構築するニューラルネットワークの解説

    これから構築する多層のニューラルネットワークの解説を行います。

    01:19
  • Lecture 61. ニューラルネットワークの構築1

    実際に多層のニューラルネットワークを構築します。

    03:37
  • Lecture 62. ニューラルネットワークの構築2

    構築したニューラルネットワークを用いて、複雑な分類を行います。

    04:22
9 lectures 34 mins
  • Lecture 63. バックプロパゲーションによる機械学習

    本セクションでは、ニューラルネットワークをベースとした機械学習を学習します。そのために必要な、バックプロパゲーションの概念を解説します。

    01:28
  • Lecture 64. 訓練用データの読み込み

    ニューラルネットワークを訓練するために必要な、訓練用データの読み込みを行います。様々な地点におけるフェイクの緯度と経度のデータで、各地点は東京都もしくは神奈川に分類されています。実際の東京と神奈川の座標とは異なりますのでご注意ください。

    04:47
  • Lecture 65. 訓練用データの表示

    matplotlibを用いて、読み込んだ訓練用データの表示を行います。

    04:19
  • Lecture 66. 訓練用のメソッド

    訓練用のメソッドを記述します。

    03:02
  • Lecture 67. 誤差

    出力値と正解値の誤差を算出します。

    03:07
  • Lecture 68. 中間層-出力層の重みの修正

    誤差をもとに、中間層と出力層の間の重みの修正を行います。

    04:38
  • Lecture 69. 入力層-中間層の重みの修正

    中間層と出力層の重みの修正値をもとに、入力層と中間層の間の重みを修正します。

    04:31
  • Lecture 70. 訓練

    訓練用データを用いて、ニューラルネットワークを訓練します。

    03:05
  • Lecture 71. 訓練結果に基づく分類

    訓練されたニューラルネットワークを用いて、任意のデータの分類を行います。

    04:59
7 lectures 42 mins
  • Lecture 72. scikit-learnの概要

    機械学習一般を扱うライブラリ、scikit-learnの概要を解説します。

    02:06
  • Lecture 73. scikit-learnの導入

    scikit-learnの導入方法について、解説を行います。

    02:35
  • Lecture 74. scikit-learnの練習

    有名なIrisデータセットを用いて、scikit-learnによる分類の練習を行います。

    解説には、以下の画像を使用しています。

    • Frank Mayfield CC by-sa 2.0 https://en.wikipedia.org/wiki/Iris_virginica
    • Tiia Monto CC by-sa 4.0 https://vi.wikipedia.org/wiki/Iris_setosa
    •  CC by-sa 3.0 https://commons.wikimedia.org/wiki/File:Iris_versicolor_3.jpg
    •  ZackWeinberg CC by-sa 3.0 https://en.wikipedia.org/wiki/Support_vector_machine
    08:17
  • Lecture 75. scikit-learnによる文字認識1

    サポートベクターマシンを用いて文字の認識を行います。

    05:44
  • Lecture 76. scikit-learnによる文字認識2

    サポートベクターマシンを用いた文字認識の続きです。

    06:54
  • Lecture 77. scikit-learnによる株価分析1 Free Preview

    架空の株価を用いて訓練を行い、株価の上昇or下降を予想します。

    07:50
  • Lecture 78. scikit-learnによる株価分析2

    株価分析の続きです。

    動画のソースコードに修正があります。50-53行目の以下の箇所ですが、

    # 正解
    expected = answers[n*25/100:]
    # 予測
    predicted = clf.predict(successive_data[n*25/100:])

    以下のように修正します。

    # 正解
    expected = answers[-n*25/100:]
    # 予測
    predicted = clf.predict(successive_data[-n*25/100:])

    08:28
5 lectures 23 mins
  • Lecture 79. TensorFlowと機械学習のためのライブラリ (Windowsにおいて、TensorFlowは64-bitのPython3.5以上のみサポートです) Free Preview

    有名な機械学習ライブラリをいくつか紹介します。実際にPyCharmを用いてTensorFlowの導入を行います。

    : TensorFlowをWindows環境でインストールするためには、Python3.5.Xが必要です。Python3系のインストール方法は、補足のレクチャーをご参考ください。

    05:05
  • Lecture 80. CPUとGPU

    ディープラーニングに必要な、GPU演算について解説します。

    03:03
  • Lecture 81. 畳み込みニューラルネットワークとDCGAN

    直近で流行している技術、畳み込みニューラルネットワークと、DCGANについて概念を解説します。

    04:15
  • Lecture 82. 人工知能の未来

    5-10年後、10年後以降の人工知能の動向を予想します。

    05:39
  • Lecture 83. 補足: Python3.6の導入

    Python3.6の導入方法の解説を行います。

    04:38
3 lectures 0 mins
  • Lecture 84. ボーナスレクチャー: 講師が制作した他のコース

    講師が制作した、他のおすすめコースを紹介します。

    00:04
  • Lecture 85. ボーナスレクチャー: 講師のブログ

    講師のブログについて。

    00:02
  • Lecture 86. 評価とレビューのお願い & 本講座で使用した資料

    コース修了後、ぜひ評価とレビューをお願いいたします。
    また、本講座で解説に使用したプレゼン資料を添付しますので、よろしければご活用ください。

    00:01
Pythonで機械学習:scikit-learnで学ぶ識別入門
119 lectures
9 hours
All Levels

このコースでは,機械学習における識別(分類・認識)の基礎をPythonを用いて学びます.このコースの目標は,機械学習でデータを識別するための一連の流れ(データの準備・前処理・識別器・評価など)を理解することです.Pythonの機械学習ライブラリscikit-learnとインタラクティブなプログラミング環境jupyter notebook (ipython notebook)を使って,実際にpythonコードを実行しながら学びます.

レクチャーでは,notebook上で実行するpythonコードとその内容を説明します.pythonコードのnotebookはダウンロードできますので,レクチャーを見ながら・見た後で実際に実行することをおすすめします.自分なりに改変・修正すると,さらに理解が高まるでしょう.

機械学習を理解するためには数学が必要になるのですが,このレクチャーでは(ほとんど)数式を使わず,コードを実行して結果を議論することで,機械学習のコンセプトを伝えるようにしています.理論的なことを知りたい場合には,他の資料を参考にしてください.

プログラミングの注意:pythonやその他の言語でのプログラミング経験があることを前提にしていますので,python自体の説明は省略しています.


レクチャーで使用しているnotebookはダウンロードできます.「レクチャー用のnotebookのダウンロードはこちら(ソースコードはここにあります)」というレクチャーを参照してください.

Toru Tamaki, コンピュータビジョン,画像認識,機械学習などを研究

広島大学准教授.専門:コンピュータビジョン,画像認識,パターン認識,動画像処理,医用画像処理.電子情報通信学会和文誌D編集委員,PRMU委員,MI委員.情報処理学会CVIM委員, GCAD委員など歴任.翻訳書に「コンピュータビジョン ―アルゴリズムと応用―」「統計的学習の基礎」「スパースモデリング」(共立出版)「Pythonで体験するベイズ推論」(森北出版).電子情報通信学会シニア会員.情報処理学会,IEEE,IEEE Computer Society等会員.

Sections
7 lectures 12 mins
  • Lecture 1. はじめに Free Preview

    レクチャーではscikit-learnを用いて識別を説明していきます.scikit-learnには多数のチュートリアルがありますので,参考にしてください.

    01:34
  • Lecture 2. 識別とは 02:54
  • Lecture 3. 識別の流れ 01:02
  • Lecture 4. ラベルについて 02:31
  • Lecture 5. 回帰とは(ここでは扱わない) 01:24
  • Lecture 6. 教師あり,教師なし,半教師あり 01:28
  • Lecture 7. ディープラーニング(深層学習)とは 00:55
18 lectures 1 hour
8 lectures 40 mins
7 lectures 40 mins
13 lectures 1.5 hours
  • Lecture 41. データから特徴量へ 01:30
  • Lecture 42. 欠損値の扱い・データクリーニング 05_01 10:48
  • Lecture 43. 特徴抽出:テキストデータと特徴量 05_02 08:03
  • Lecture 44. 特徴抽出:画像データと特徴量 05_02 05:04
  • Lecture 45. 特徴選択 05_03 13:41
  • Lecture 46. 特徴変換:PCA 05_04 10:45
  • Lecture 47. 特徴変換:PCAと次元削減 05_04 09:07
  • Lecture 48. 特徴変換:非線形(多項式)変換 05_04 09:46
  • Lecture 49. 標準化 05_05 07:57
  • Lecture 50. スケーリング 05_05 02:20
  • Lecture 51. 正規化 05_05 03:53
  • Lecture 52. PCA白色化 05_05 03:32
  • Lecture 53. ZCA白色化 05_05 04:49
12 lectures 1 hour
  • Lecture 54. 2クラス問題のconfusion matrix 06_01 05:56
  • Lecture 55. 2クラス問題で重要なTP, TN, FP, FN 06_01 03:13
  • Lecture 56. 多クラス問題のconfusion matrix 06_01 07:36
  • Lecture 57. PCAで文字認識 06_01 01:01
  • Lecture 58. precisionとrecall 06_02 10:15
  • Lecture 59. f-measure,f値 06_02 05:00
  • Lecture 60. precision, recall, f-measureをいっぺんに 06_02 02:09
  • Lecture 61. 多クラス分類のprecisionとrecall 06_02 02:02
  • Lecture 62. ROC AUC 06_03 09:45
  • Lecture 63. ランダムならどうなるROC 06_03 03:37
  • Lecture 64. average precision, AP 06_03 05:16
  • Lecture 65. 多クラス問題のmAP 06_03

    scikit-learnにはAPを計算するクラスがありますが,2クラス問題用なので,多クラス問題のAPやmAPを計算するにはレクチャーのよう自分でコードを書く必要があります.

    03:21
30 lectures 2.5 hours
  • Lecture 66. 2クラス識別と多クラス識別 07_01 03:37
  • Lecture 67. 多クラス識別:One-vs-Rest (ロジスティック回帰) 07_01 08:04
  • Lecture 68. 多クラス識別:One-vs-Rest (SVM) 07_01 02:33
  • Lecture 69. 多クラス識別:One-vs-One (SVM) 07_01 03:54
  • Lecture 70. 多クラス識別:ovrとovoの補足 07_01 01:36
  • Lecture 71. kNN:最近傍識別器 (NN),k近傍識別器 (kNN) 07_02 08:01
  • Lecture 72. kNN:KNNの亜種:radius NN 07_02 03:10
  • Lecture 73. kNN:スケーリングしてKNN 07_02 01:43
  • Lecture 74. パーセプトロン 07_03 06:05
  • Lecture 75. パーセプトロン:平面・直線の数式 07:21
  • Lecture 76. パーセプトロン:学習則 06:12
  • Lecture 77. パーセプトロン:損失関数 03:06
  • Lecture 78. パーセプトロン:損失関数をインタラクティブに 07_03 01:48
  • Lecture 79. パーセプトロン:ランダムな動作 07_03 06:31
  • Lecture 80. パーセプトロン:癌データの認識 07_03 03:54
  • Lecture 81. パーセプトロン:まとめ 07_03 01:27
  • Lecture 82. ロジスティック回帰 07_04 07:19
  • Lecture 83. ロジスティック回帰:癌データの認識 07_04 06:38
  • Lecture 84. ロジスティック回帰:2次元データで確率の予測 07_04 03:54
  • Lecture 85. ロジスティック回帰:別の2次元データでも確率を 07_04 01:48
  • Lecture 86. SVM:サポートベクターマシン,SVC 07_05 Free Preview 08:10
  • Lecture 87. SVM:マージン,サポートベクトル,確率 07_05 05:52
  • Lecture 88. SVM:非線形カーネル(rbf, poly) 07_05 07:28
  • Lecture 89. SVM:癌データの認識 07_05 05:15
  • Lecture 90. MLP:多層パーセプトロン 07_06 07:12
  • Lecture 91. MLP:層を変えてみる 07_06 05:20
  • Lecture 92. MLP:癌データの認識 07_06 04:07
  • Lecture 93. ランダムフォレスト:2次元データの認識 07_07 07:05
  • Lecture 94. ランダムフォレスト:別の2次元データの認識と過学習 07_07 02:11
  • Lecture 95. ランダムフォレスト:癌データの認識 07_07 02:41
12 lectures 1 hour
  • Lecture 96. 注意:並列計算のn_jobsの指定 00:00
  • Lecture 97. 注意:windowsでのグリッドサーチの表示 00:00
  • Lecture 98. グリッドサーチ:1パラメータのロジスティック回帰 08_01 13:51
  • Lecture 99. グリッドサーチ:2パラメータのSVM 08_01 05:17
  • Lecture 100. グリッドサーチ:3パラメータのSVM(linear, rbf) 08_01 05:02
  • Lecture 101. グリッドサーチ:kNN 08_01 01:57
  • Lecture 102. ランダムサーチ:多層パーセプトロン 08_01 05:45
  • Lecture 103. パイプライン:PCAとロジスティック回帰を一緒に 08_02 04:22
  • Lecture 104. パイプライン:スケーリングとSVMを一緒に 08_02 01:33
  • Lecture 105. パイプライン:前処理もグリッドサーチで 08_02 07:10
  • Lecture 106. 正則化パラメータC 08_03 11:45
  • Lecture 107. 正則化パラメータと過学習 08_03 05:23
7 lectures 39 mins
  • Lecture 108. linear SVM(lib linear) 09-01 10:41
  • Lecture 109. inear SVM(liblinear):primalソルバ 09-01 07:07
  • Lecture 110. linear SVM(liblinear):グリッドサーチ 09-01 04:50
  • Lecture 111. 確率勾配法 (SGD) 09-02 04:49
  • Lecture 112. 確率勾配法 (SGD):数式の説明 09-02 05:46
  • Lecture 113. 確率勾配法 (SGD):グリッドサーチ 09-02 04:04
  • Lecture 114. 確率勾配法 (SGD):スモールデータの認識 09-02 02:12
4 lectures 16 mins
  • Lecture 115. 20カテゴリのテキスト分類:1 10_01

    ダウンロードしたデータセットは,ホームディレクトリ(ホームフォルダ)のscikit_learn_data/ の中にあります.

    08:31
  • Lecture 116. 20カテゴリのテキスト分類:2 10_01 02:10
  • Lecture 117. 20カテゴリのテキスト分類:3 10_01 01:00
  • Lecture 118. 20カテゴリのテキスト分類:4 10_01 04:43
1 lectures 0 mins
  • Lecture 119. まとめ 00:23
【4日で体験しよう!】 TensorFlow x Python 3 で学ぶディープラーニング入門
74 lectures
6.5 hours
Beginner Level

【最新更新状況】

2017/9/15 TensorFlow 1.3 GPU版のインストール手順を掲載しました。

2017/8/24 TensorFlow 1.3 GPUでcuDNN 6.0が必須になりましたので、補足を追加しました。

2017/8/13 Anaconda 4.4.0 / Python 3.6のインストール手順を追加しました。

 Windows環境でもPython 3.6がサポートされました。(*以前はPython 3.5のみ)

2017/8/2 TensorFlow 1.2.1のインストール手順を追加しました。

2017/4/29 スタイル変換(写真を画家のタッチで描く)のチュートリアルを追加しました。

2017/4/27 TensorFlow 1.1がリリースされましたので、インストール手順を追加しました。なお、既存のチュートリアルは1.1での動作を確認しました。

2017/4/3 機械学習の概要解説を追加しました。また、Anaconda 4.3.0 + Python 3.5によるtensorFlow 1.0.1インストール手順を標準にして、4.2.0を用いた方法は旧コンテンツとして最後のセクションに移動しました。

既存レクチャーはTensorFlow 0.12で収録しています。MNIST for Beginnersは1.0以降でも動作します。MNIST for Expertsは1行変更すれば動作します。


2017/2/27 TensorFlow 1.0のインストール方法、MNIST for Beginners・Expertsのコード実行のレクチャーを追加しました。

2017/2/22 Windows版のインストール手順を更新しました(Anaconda 4.2.0のダウンロード・インストール手順)

2017/2/21 勾配降下法・ミニバッチの解説を追加しました。

2017/2/12 Jupyter Notebookでコメントを入力する方法。Jupyter Notebookの終了方法を追加しました。

2017/2/9 MNIST for Experts のスライドを更新(活性化関数の解説を追加)しました。

2017/2/8 活性化関数(ReLU)の図解レクチャーを追加しました。

【ご注意】

このコースは、Python経験者で英語でGoogle社のTensorFlowチュートリアルが自力で理解できる方には物足りないと思いますのでご注意ください。チュートリアルを実施するのはナンセンスだと考える上級者の方には決して受講をお勧めしません。間違えて受講された場合は返金も可能ですので、初心者以外の方は受講しないでください。

Pythonをはじめて体験する方、TensorFlowでどんなことができるかを体験してみたい、という方を対象にしています。TensorFlowライブラリを使用したアプリケーション開発などは別コースを企画しています。

【2017年、ディープラーニングが急速に普及します】

2017年1月30日にピッツバーグで開催されていたトップレベルのチェスの試合で、カーネギーメロン大学のグループによる人工知能 "Libratus" が人間を打ち負かしました。2017年初めには、オンライン囲碁(野狐囲碁)でチャンピオンに連勝する人工知能(Master)が登場して話題になりました。Masterの正体は、2016年にイ・セドルプロを破った "アルファ碁(AlphaGo)" の改良版でした。アルファ碁は、イギリスのディープマインド社で開発されている人工知能です。ディープラーニングや強化学習と呼ばれる仕組みを使って、コンピューターが自己対戦を繰り返して成長するコンピュータープログラムです。AlphaGoのトレーニングにはGoogle社のTensorFlowという人工知能のライブラリが使われています。

医療や農業、教育などさまざまな分野で、「人工知能・AI」による自動化、分類や推定が注目されています。ディープラーニングは、コンピューターにさまざまな情報を学習させて、分類や推定を行う機械学習の一種です。人間の脳を模したニューラルネットワークを何段にも(ディープに)重ねることで、精度の向上を実現しています。

2017年のCES (コンシューマー・エレクトロニクス・ショー)では、ディープラーニングを実装したロボットを使ったサービスやアプリケーションが次々と発表されました。今後も続々と登場するでしょう。

この講座は、AlphaGoにも採用されているGoogle社のTensorFlowライブラリを使って、短期間にディープラーニングによる人工知能の動作を体験し、ディープラーニングを活用したサービスやプロダクトの企画・開発のヒントを得られるようになることを目指して制作しました。

TensorFlowは、GooglePhotoやGoogle翻訳、Google検索などで実際に使われている機械学習、深層学習のライブラリです。

さまざまなOS上で動作をしますので、学習だけでなく、ウェブアプリケーション開発やモバイルアプリ開発も可能です。


【コースの概要】

このコースは、Udemyでのべ13,500名にプログラミングを指導してきたベテラン講師が担当します。

Google社が公開しているオープンソースの人工知能ライブラリ・TensorFlow(テンソルフロー)を使って、

以下のような順で学習を進めます。

第0日: 環境構築

  • Anaconda (Python 3) , TensorFlowのインストール
  • TensorFlowでHello World!

第1日: 手書き文字の分類 (多項ロジスティック回帰)

  • 多項ソフトマックス回帰の実行

第2日: 手書き文字の分類 (畳み込みニューラルネットワーク)

  • 2段階の畳み込み・プーリング層、2層の全結合層を組み合わせたニューラルネットワークで精度を向上させる
  • 学習したモデルを使用して分類を実施してみる(収録中)

第3日: 画像認識

  • パンダの画像認識
  • オリジナル画像(犬)の認識

第4日: スタイル変換

  • 画家のタッチをAIに学習させ、写真のスタイル変換をするAIプログラムを体験します。
  • サンプルは北斎の「波」を使用しますが、ムンクやゴッホなどのデータも使用可能です。

オプション(必須ではありません)

  • Python 3の概要 
  • Python 3 のミニマムな文法
  • 参考文献リスト


プログラムをJupyter Notebook上でステップ・バイ・ステップで実行しながら、ディープラーニングの仕組みを体験していきます。


*レクチャーで使用したJupyter Notebookはコース内でダウンロードできます。お急ぎの方はコーディングせずにプログラムを実行できます。ご自身でコーディングするとより理解が深まるでしょう。

【このコースを学ぶと】

人工知能と言われても、言葉だけではどんなことができるのかピンときません。しかし、実際に人工知能のトレーニングや推定を体験してみると、いろいろなアイデアが生み出せるようになるでしょう。

ぜひこの機会にTensorFlowを体験し、人工知能時代に活躍するスキルを手に入れましょう。現在、世界中でディープラーニングエンジニアの求人が急拡大しています。また、あらゆる業種で、人工知能を適用して課題解決が図れる人材が切望されています。エンジニアでなくても、ディープラーニングや機械学習の概念を理解することで、人工知能の得意なことを活かしたり、まだ人工知能ではできない限界を知って、リアリティのある意思決定ができるようになります。


【このコースの特徴】

  • 数学やプログラミングの知識がなくても、ディープラーニングのプログラムを体験できます。
  • 数式を理解できなくても、概念的にどういう処理をしているのか、を直感的に理解できるようになります。
  • 畳み込みやプーリングなど難解な処理の仕組みを図解で理解できるようになります。
  • Python 3 + TensorFlowを使って、パソコン上でディープラーニングを体験できます。
  • ボーナストラックでは、Python 3の基礎を解説します。

【受講をおすすめしない方】

  • すでにTensorFlowのチュートリアルを体験済みで解説が不要な方
  • すでにディープラーニングに詳しい方
  • Linuxでないと学習をしたくない方
  • 動画で学習するのはナンセンスだ!書籍で学んだ方がいい!という方
  • ソフトウェアのインストールや、コードの入力は全くしたくない方
  • WindowsやMacでPythonプログラミングをやるのは気に入らないという方


人工知能をマスターしたら、あなたはどんな問題解決をしますか?


***今後の予定***

続編として、

  • ニューラルネットワークをNumPyで自作して数学的処理を理解する講座
  • CIFAR-10など本格的なディープニューラルネットワーク
  • RNN(リカレントニューラルネットワーク)LSTMなどを使用した自然言語処理
  • 音声認識などのアプリケーション
  • C++の基本と、TensorFlowの使用
  • Raspberry Pi 3でTensorFlowを動かしてみよう
  • iOSやAndroidでTensorFlowを使用してみよう
  • Chainerでディープラーニングを学ぼう

などの講座化を企画しています。

もしリクエストがあれば、メッセージなどでお知らせください。


*** 受講上の注意 ***

このコースは動画で、はじめてディープラーニングやCNNなどを学ぶ方のためのコースです。

環境構築から1つ1つ丁寧に解説していきますので、

・動画より書籍で学びたい方

・すでにCNNなどについて基礎から学習するのは馬鹿らしい

という方は、間違って受講されないようご注意ください。

また、間違えて登録した方は30日以内であれば返金可能なのでお試しください。


井上 博樹 (Hiroki Inoue), ITエンジニア、Udemy講師(プログラミング, STEAM)

Hiroki Inoue is a software engineer since 1992. Hiroki Inoue has been taught Web programming at Dokkyo University in Japan, and also on Udemy since November 2014 and now offering 17 courses for 20,000 students. Hiroki Inoue started a consultancy in 2007 to support institutions and corporations to leverage technology in education. Also Hiroki provides 17 courses on Udemy; Deep Learning/TensorFlow, Neural Network with Numpy, Ethical Hacking with Kali Linux, Complete Web Developer 2.0 (Localized Rob Percival's best seller course), iOS 10 App Dev, Linux, Linux/Docker, Java, Ruby on Rails, WordPress, Android App Dev, PHP7/Laravel, Moodle He loves to play tennis in weekend.

東京大工学部卒業後、富士総合研究所[現・みずほ情報総研]解析技術第1部にてデータ解析・デジタル信号処理の研究開発)・大学講師を経て、ワシントンD.C.の教育系スタートアップ(Blackboard)に参加、オンライン教育プラットフォーム開発や多言語化、アジア展開などを担当。NASDAQ IPOを経験した後、起業。

世界最大のオンライン学習サイト・Udemyでのべ20,000名以上にプログラミング講座を17コース提供中。対面でもプログラミングワークショップ(Hour of Code, スマホアプリ開発、Raspberry Pi による電子工作)を地域の中高で定期的に開催している。

2016年11月にはUdemyのベストセラーコース "Complete Web Developer 2.0" をローカライズ。2017年1月にTensorFlow入門コース, 3月にセキュリティ入門, 4月にニューラルネットワークコースをリリース。

大学・企業、塾・予備校などへの教育研究支援、オンライン教育プラットフォーム(LMS/Moodle/Canvas/Blackboard)導入、反転授業・ブレンデッドラーニング・パーソナライズドラーニング(個別学習)の導入支援、映像授業制作、教育アプリ開発などを提供している。著書に「Moodle入門(2007年)」「Moodle2ガイドブック(2013年)」「反転授業マニュアル(2014年)」「動画xスマホで稼ぐ(2014)」「エンジニアのためのオンライン講座制作ガイド(2016年12月刊)」などがある。

また、2014年よりネパールにおける教育支援プロジェクト、"Lights For Everyone" プロジェクトを立ち上げ、ソーラーライトの提供や、SLC(高卒認定試験)対策を含むオンライン学習サイト構築などを企画・構築・運用している。

Sections
14 lectures 44 mins
  • Lecture 1. このコースの概要 Free Preview 02:07
  • Lecture 2. 機械学習とは? Free Preview

    機械学習の概要、深層学習との関係について俯瞰します。

    04:45
  • Lecture 3. 環境構築の注意 00:04
  • Lecture 4. 学習上の注意 00:06
  • Lecture 5. 【Windowsのみ】Anaconda 4.4.0のインストール 06:25
  • Lecture 6. 【cuDNNのバージョンについての注意】 00:04
  • Lecture 7. TensorFlow 1.3.0 GPUのインストール(cuDNN 6.0) 06:52
  • Lecture 8. 【Windows + GPU環境のみ】CUDAドライバーのインストール

    動作テストと、GPU版用のCUDAドライバーのインストールを実行します。

    CUDAドライバーのインストールは、NVidia GeForceを搭載していてGPU版をインストールした場合のみ必要です。

    CPU版をインストールした方は、CUDAドライバーのインストール部分はスキップしてください。

    07:22
  • Lecture 9. 【Macオンリー】Anaconda 4.4.0のインストール 03:05
  • Lecture 10. 【Macオンリー】TensorFlow 1.2.1のインストール 03:50
  • Lecture 11. 環境構築のレビュー(システム構成の確認) 01:32
  • Lecture 12. Hello Worldプログラムを書いてみよう(Windows, macOS) 07:03
  • Lecture 13. Pythonの対話的実行環境の抜け方(Windows, macOS) 00:41
  • Lecture 14. 課題: 環境構築と最初のプログラム 00:02
8 lectures 1 hour
  • Lecture 15. このセクションで学ぶこと Free Preview

    このセクションで学ぶMNIST for Beginnersの概要を説明します。

    14:30
  • Lecture 16. 行列式での表現と、グラフでの表現

    MNIST for Beginnersの処理の流れを解説します。

    11:04
  • Lecture 17. コードを書いて実行してみよう

    MNIST for Beginnersのコードを書いて、多項ロジスティック回帰を実行してみましょう。

    24:12
  • Lecture 18. 勾配降下法とミニバッチ

    GradientDescent最適化とミニバッチについてイメージを理解しましょう。

    06:02
  • Lecture 19. まとめとニューラルネットワーク

    全体の処理の流れをレビューしておきましょう。

    04:06
  • Lecture 20. 課題: MNIST for ML Beginnersを実行してみよう 00:01
  • Lecture 21. サンプルコード(ノートブック)のダウンロードページ 00:01
  • Lecture 22. MNIST for ML Beginnersのレクチャースライド

    このセクションで使用したスライドです。

    00:00
10 lectures 1.5 hours
  • Lecture 23. このセクションで学ぶこと Free Preview

    MNIST for expertsセクションの概要を紹介します。

    02:21
  • Lecture 24. TensorFlow 0.12から1.0の変更点について

    TensorFlow 0.12のMNIST for Expertsのコードを、TensorFlow 1.0対応にする手順について解説します。

    03:49
  • Lecture 25. コードを書いて、トレーニングとテストを実行してみよう

    MNIST for expertsのコードを書いて実行してみましょう!

    48:57
  • Lecture 26. 畳み込み処理を理解しよう

    畳み込み処理をアニメーション+図解で理解しよう!

    11:13
  • Lecture 27. プーリング処理を理解しよう

    プーリング処理を図解で直感的に理解しよう

    03:53
  • Lecture 28. 活性化関数を理解しよう 12:57
  • Lecture 29. Adam Optimizerについての参考文献 00:01
  • Lecture 30. 課題: MNIST for Expertsを実行してみよう 00:01
  • Lecture 31. サンプルコード(ノートブック)のダウンロードページ 00:02
  • Lecture 32. MNIST for Expertsのレクチャースライド

    このセクションで使用したレクチャースライドです。

    00:00
6 lectures 19 mins
  • Lecture 33. 画像認識プログラムの概要

    このチュートリアルで実行する内容を解説します。

    03:35
  • Lecture 34. TensorFlow 1.0.x環境用に画像認識プログラムをダウンロードする方法

    TensorFlow 0.12まではtensorflowをインストールするとチュートリアルのコードが同梱されています。

    TensorFlow 1.xをお使いの場合は、ビデオの手順でGitHubからclassify_image.pyのコードをダウンロードしましょう。

    念のため、2017/4/6 にダウンロードしたバージョンを添付しますが、今後変更があるかもしれません。

    03:50
  • Lecture 35. modelsフォルダのダウンロード 00:02
  • Lecture 36. 画像認識プログラムの実行

    パンダの認識がうまくいくかどうか試してみましょう。

    【TensorFlow 1.0以降の注意】

    バージョン0,12まで同梱されたいたデータが含まれなくなりました。

    modelsフォルダが見当たらない方は、

    https://github.com/tensorflow/models

    をブラウザで開いて、 【clone or download】をクリックし、Download ZIP をクリックしてみてください。

    するとmodelsフォルダ以下をまとめてダウンロードできます。


    07:32
  • Lecture 37. 画像ファイルを指定して認識を実行してみよう!

    自分で指定したファイルで画像分類を行ってみよう

    03:42
  • Lecture 38. 課題3: 画像認識を実行してみよう! 00:00
4 lectures 19 mins
  • Lecture 39. スタイル変換(1/2) 11:41
  • Lecture 40. スタイル変換(2/2) 07:32
  • Lecture 41. 練習課題:スタイル変換にチャレンジ 00:00
  • Lecture 42. 最後に 00:02
10 lectures 37 mins
  • Lecture 43. Pythonとは?

    Pythonがはじめてな方のための解説です。

    スクリプト言語(インタプリタ言語)とコンパイル型言語の違いなどについて学びましょう。

    03:27
  • Lecture 44. PythonとR・SPSSとの違い

    Pythonと他の統計ツールとの違いについて学びましょう。

    03:14
  • Lecture 45. Pythonのさまざまな実行スタイル

    Pythonの様々な実行スタイルについて学びましょう。

    10:59
  • Lecture 46. 課題1: Pythonの実行環境をインストールしよう 00:00
  • Lecture 47. 練習課題: インタラクティブシェルを使ってみよう

    コマンドプロンプト、またはターミナルからpythonのインタラクティブシェルを起動して、かんたんな計算をしてみましょう。

    02:44
  • Lecture 48. 実行例(インタラクティブシェル) 00:00
  • Lecture 49. 練習課題: テキストファイルを作成して実行してみよう

    テキストエディターでPythonプログラムを書いて、pythonコマンドで実行してみよう

    07:35
  • Lecture 50. 課題解答例: ファイルに保存して実行する 00:00
  • Lecture 51. 練習課題: 入力値を反映するプログラムを書こう

    ユーザーの入力を受け付けてみよう

    09:08
  • Lecture 52. 課題解答例: ファイルから実行。入力パラメーターを反映。

    if文での分岐、引数の取得、インデントなどについて学びます。

    Pythonでは、インデントをつける前の行の最後にコロン ":" を付けます。

    00:00
5 lectures 4 mins
  • Lecture 53. 続編のご案内(割引クーポン) 00:07
  • Lecture 54. 機械学習やAIを学ぶ上で役立つ参考書籍 00:12
  • Lecture 55. macOSでJupyter Notebookが起動できない問題の対応策 01:19
  • Lecture 56. Jupyter Notebook上でコメントを挿入する方法

    CellのタイプをMarkdownにするとコメントや数式を入力できます。

    03:00
  • Lecture 57. Jupyter Notebookの終了方法 00:01
17 lectures 1.5 hours
  • Lecture 58. 【Windows + GPU環境のみ】cuDNN 5.0のインストール

    *最新のTensorFlow 1.3ではcuDNN 6, TensorFlow 1.4ではcuDNN 7が必須となります。

    09:35
  • Lecture 59. 【Windowsのみ】仮想環境の追加とTensorFlow 1.2.1のインストール

    TensorFlowのバージョンが1.2に上がったので、環境を追加して、そこに最新版のインストールを行います。

    03:55
  • Lecture 60. 仮想環境の追加とTensorFlow 1.1.0のインストール(4/27) 04:05
  • Lecture 61. 【Windowsのみ】Anaconda 4.3.0のインストール

    Anaconda最新版を入れて、Python 実行環境を追加します。

    Anacondaはダウンロード時の最新版でOKです。

    *以前は問題がありました。

    Windows版のTensorFlowは、TensorFlow 1.2以降でPython 3.6にも対応しています。

    09:08
  • Lecture 62. 【旧】Windows)TensorFlow 1.0.1をインストール

    pipコマンドで最新版のTensorFlowをインストールしていきます。

    FileNotFoundError: \setuptools-27.2.0-py3.5.egg

    が出る場合は、pip installを2回実行してください。

    06:51
  • Lecture 63. 【Macオンリー】Anaconda4.3.0のインストール

    現在、最新版のAnaconda + Python 3.6でも動作可能です。

    03:21
  • Lecture 64. 【Macオンリー】macOS上でのTensorFlow 1.0のインストール(Python 3.5) 11:16
  • Lecture 65. TensorFlow 1.0 CPUのインストール(2017/2/15リリース版) 08:25
  • Lecture 66. TensorFlow 1.0 GPUのインストール(2017/2/15リリース版) 04:54
  • Lecture 67. TensorFlow 1.0でMNIST ソフトマックス回帰を実行してみよう 05:25
  • Lecture 68. TensorFlow 1.0 CPUでMINIST for Expertsを実行してみよう

    API(関数)の仕様に変更があった部分の修正方法を解説しています。

    04:36
  • Lecture 69. TensorFlow 1.0 GPUでMINIST for Expertsを実行してみよう 02:22
  • Lecture 70. 【旧コンテンツ】Anaconda 4.2.0・Python 3のインストール(Windows)

    2017/2/2 現在、Anacondaがバージョンアップして, 4.3.0 / Python 3.6になりました。

    TensorFlowは、Python 3.5にしか対応していませんので、以下から4.2.0_x64(64ビット環境の方), x86(32ビット環境の方)をダウンロードして、インストールしてください。


    https://repo.continuum.io/archive/index.html

    07:23
  • Lecture 71. 【旧コンテンツ】TensorFlow用仮想環境の作成(Windows) 05:32
  • Lecture 72. 【旧コンテンツ】pipでTensorFlow 0.12をインストール(Windows)

    レクチャーと同じバージョンのダウンロードはこちらから(TensorFlow 1.0対応版は追加収録中です

    ◎CPU版
    https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-0.12.1-cp35-cp35m-win_amd64.whl

    ◎GPU版
    https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_gpu-0.12.1-cp35-cp35m-win_amd64.whl

    08:00
  • Lecture 73. 【旧コンテンツ】macOS上でのAnaconda 4.2.0インストール 02:44
  • Lecture 74. Anaconda Navigatorを使用した環境追加と、matplotlibのインストール 04:42