AIパーフェクトマスター講座 -Google Colaboratoryで隅々まで学ぶ実用的な人工知能/機械学習-
4.2 (451 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
3,751 students enrolled

AIパーフェクトマスター講座 -Google Colaboratoryで隅々まで学ぶ実用的な人工知能/機械学習-

ディープラーニングを中心に、AI技術を包括的に身に付けるためのコースです。画像識別や画像生成、RNNや強化学習などの有用な人工知能技術を幅広く学び、人工知能Webアプリの構築までを行います。開発環境にはGoogle Colabを使用します。
4.2 (451 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
3,751 students enrolled
Last updated 8/2020
Japanese
Current price: $139.99 Original price: $199.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 12 hours on-demand video
  • 5 articles
  • 2 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • 本格的かつ包括的な人工知能/機械学習の知識を学びます。
  • AIを使った問題解決力が身につきます。
  • Pythonで機械学習のコードを書く力が身につきます。
  • 機械学習の背景にある理論を学びます。
  • 人工知能アプリを構築し、公開できるようになります。
  • G検定、E資格への対策にもお勧めです。
Course content
Expand all 145 lectures 11:57:39
+ イントロダクション
5 lectures 35:31

本コースの概要について解説します。

Preview 02:28

人工知能全般について、概要を解説します。

Preview 06:35

社会における人工知能の活用例を、いくつか紹介します。

Preview 08:20

社会における人工知能の活用例を、いくつか紹介します。

人工知能の活用例2
11:46

人工知能の歴史について、3回の人工知能ブームを中心に解説します。

人工知能の歴史
06:22
+ 開発環境
8 lectures 30:24

開発環境のセクションの概要を解説します。

Preview 02:04

開発環境であるGoogle Colaboratoryの導入です。

Preview 06:11

Google Colaboratoryにおいて、コードや文章を記述するためのノートブック について解説します。

Preview 02:16

教材のダウロード方法、及び扱い方について解説します。

教材のダウンロード
01:59

CPU、GPU、TPUについて解説し、CPUとGPUのパフォーマンスを比較します。

CPUとGPU
05:16

セッションとインスタンスの関係、そして90分ルールと12時間ルールについて解説します。

セッションとインスタンス
04:53

Google Colaboratoryの各設定、及び様々な機能について解説します。

Colabの各設定と様々な機能
03:10

Google ColaboratoryとGitHubの連携方法について解説します。

GitHubとの連携
04:35
+ Pythonの基礎
13 lectures 01:16:12

Pythonの基礎のセクションの概要を解説します。

Preview 01:42

Pythonの基本的な文法についてです。

Preview 05:59

Pythonの基本的な文法についてです。

Pythonの基礎1-2
07:31

Pythonの基本的な文法についてです。

Pythonの基礎1-3
06:15

主に関数とクラスについて解説します。

Preview 06:05

主に関数とクラスについて解説します。

Pythonの基礎2-2
06:31

主にファイルの入出力について解説します。

Pythonの基礎3-1
06:22

数値計算ライブラリNumPyについて、基礎を解説します。

NumPyの基礎1
08:29

数値計算ライブラリNumPyについて、基礎を解説します。

NumPyの基礎2
05:21

matplotlibを使いグラフを表示する方法について解説します。

matplotlibの基礎
07:39

Pandasによりデータを扱う方法について解説します。

Pandasの基礎1
05:05

Pandasによりデータを扱う方法について解説します。

Pandasの基礎2
07:27

本セクションの演習です。

演習-Pythonの基礎.mp4
01:46
+ 簡単なディープラーニング
11 lectures 54:13

簡単なディープラーニングのセクションの概要を解説します。

Preview 01:34

ディープラーニングについて、まずは概要を解説します。

Preview 08:48

シンプルなディープラーニングに必要なデータを読み込みます。

データの読み込み
05:30

データに対して前処理を行います。

データの前処理
04:05

データを訓練データとテストデータに分割します。

訓練データとテストデータ
04:54

Kerasを使い、シンプルなディープラーニングのモデルを構築します。

モデルの構築
08:29

構築したモデルを使って、学習を行います。

学習
03:30

学習の推移を確認し、モデルを評価します。

学習の推移とモデルの評価
04:26

訓練済みのモデルを使って予測を行います。

また、訓練済みのモデルを保存します。

予測とモデルの保存
03:42

様々なニューラルネットワークを紹介します。

様々なニューラルネットワーク
06:08

本セクションの演習です。

演習-簡単なディープラーニング
03:07
+ ディープラーニングの理論
21 lectures 01:51:59

ディープラーニングの理論のセクションの概要を解説します。

Preview 01:41

本コースに必要な数学の基礎を解説します。

Preview 06:11

単一ニューロンによる演算について解説します。

Preview 06:26

様々な活性化関数について解説します。

活性化関数
09:21

順伝播と逆伝播について、概念を解説します。

順伝播と逆伝播
03:56

行列、及び行列積について具体的な計算を交えて解説します。

Preview 04:11

行列、及び行列積について具体的な計算を交えて解説します。

行列と行列積2
06:35

層の間で行われる演算について解説します。

層間の計算
06:55

微分について、本セクションで必要な部分を解説します。

微分1
05:29

微分について、本セクションで必要な部分を解説します。

微分2
05:36

微分について、本セクションで必要な部分を解説します。

微分3
03:50

重みとバイアスを更新するための、勾配降下法について解説します。

勾配降下法
07:27

誤差を定義する、損失関数について解説します。

損失関数
05:28

出力層において、重みとバイアスの勾配を導出します。

出力層の勾配1
05:38

出力層において、重みとバイアスの勾配を導出します。

出力層の勾配2
03:04

出力層において、重みとバイアスの勾配を導出します。

出力層の勾配3
06:30

中間層において、重みとバイアスの勾配を導出します。

中間層の勾配1
05:37

中間層において、重みとバイアスの勾配を導出します。

中間層の勾配2
02:52

エポックとバッチについて、概念を整理します。

エポックとバッチ
06:27

勾配降下法において、重みとバイアスを最適化するためのアルゴリズムについて解説します。

最適化アルゴリズム
06:39

本セクションの演習です。

演習-ディープラーニングの理論
02:06
+ 様々な機械学習の手法
7 lectures 35:24

様々な機械学習の手法のセクションの概要を解説します。

Preview 01:12

シンプルな機械学習である回帰について解説します。

Preview 08:34

シンプルな機械学習である回帰について解説します。

回帰2
03:05

教師なし学習の一種、k平均法について解説します。

k平均法
07:56

超平面を用いて分類を行う、サポートベクターマシンについて解説します。

サポートベクターマシン1
05:00

超平面を用いて分類を行う、サポートベクターマシンについて解説します。

サポートベクターマシン2
05:57

本セクションの演習です。

演習-様々な機械学習の手法
03:40
+ 畳み込みニューラルネットワーク(CNN)
12 lectures 01:11:01

畳み込みニューラルネットワークのセクションの概要を解説します。

Preview 01:57

畳み込みニューラルネットワークについて、概要を解説します。

Preview 06:27

CNNにおける畳み込みとプーリングについて、概要を解説します。

Preview 10:21

畳み込みとプーリングにおいて重要なアルゴリズム、im2colとcol2imを解説します。

im2colとcol2im
08:06

畳み込みを実装します。

Preview 05:10

畳み込みを実装します。

畳み込みの実装2
03:41

プーリングを実装します。

プーリングの実装
03:54

CNNを実装し、画像を分類します。

CNNの実装1
04:29

CNNを実装し、画像を分類します。

CNNの実装2
11:35

データの「水増し」を行い、モデルの汎化性能を向上させます。

データ拡張1
07:12

データの「水増し」を行い、モデルの汎化性能を向上させます。

データ拡張2
05:19

本セクションの演習です。

演習: 畳み込みニューラルネットワーク(CNN)
02:50
+ 再帰型ニューラルネットワーク(RNN)
15 lectures 01:15:25

再帰型ニューラルネットワーク(RNN)のセクションの概要を解説します。

Preview 01:47

RNNについて、まずは概要を把握します。

Preview 06:06

シンプルなRNNを、Kerasを使って実装します。

Preview 06:41

シンプルなRNNを、Kerasを使って実装します。

シンプルなRNNの実装2
03:59

RNNの一種であるLSTMについて、概要を解説します。

Preview 04:02

LSTM層について、その仕組みを解説します。

LSTM層の仕組み
03:57

Kerasを使って、LSTMを実装します。

シンプルなLSTMの実装
07:40

RNNの一種であるGRUについて、概要を解説します。

GRUの概要
02:50

Kerasを使って、GRUを実装します。

シンプルなGRUの実装
06:24

RNNを使った自然言語処理について、概要を解説します。

自然言語処理の概要
03:04

RNNを使って、自然言語処理を実装します。

RNNによる自然言語処理の実装1
08:50

RNNを使って、自然言語処理を実装します。

RNNによる自然言語処理の実装2
05:23

RNNを使って、自然言語処理を実装します。

RNNによる自然言語処理の実装3
06:26

RNNの応用であるSeq2Seqという技術について解説します。

Seq2Seqの概要
04:19

本セクションの演習です。

演習: 再帰型ニューラルネットワーク(RNN)
03:57
+ 変分オートエンコーダ(VAE)
9 lectures 54:15

変分オートエンコーダ(VAE)のセクションの概要を解説します。

Preview 01:43

変分オートエンコーダ(VAE)について、概要を解説します。

Preview 05:04

VAEの背景にある理論と、その実装へのつなげ方について解説します。

VAEの仕組み
09:26

オートエンコーダにより、画像を圧縮し復元します。

オートエンコーダの実装1
07:24

オートエンコーダにより、画像を圧縮し復元します。

オートエンコーダの実装2
04:42

VAEにより、画像の特徴を潜在変数に圧縮します。

Preview 10:24

VAEにより、画像の特徴を潜在変数に圧縮します。

VAEの実装2
07:45

VAEから発展した技術を、いくつか紹介します。

VAEの派生技術
05:18

本セクションの演習です。

演習: 変分オートエンコーダ(VAE)
02:29
+ 敵対的生成ネットワーク(GAN)
9 lectures 39:42

敵対的生成ネットワーク(GAN)のセクションの概要を解説します。

Preview 01:35

敵対的生成ネットワーク(GAN)について、概要を解説します。

Preview 05:52

GANの背景にある理論と、その実装へのつなげ方について解説します。

GANの仕組み
05:15

GeneratorとDiscriminator、両者が競い合うようにして学習する仕組みを実装します。

Preview 07:39

GeneratorとDiscriminator、両者が競い合うようにして学習する仕組みを実装します。

GANの実装2
03:56

GeneratorとDiscriminator、両者が競い合うようにして学習する仕組みを実装します。

GANの実装3
04:57

GeneratorとDiscriminator、両者が競い合うようにして学習する仕組みを実装します。

GANの実装4
03:15

GANの応用研究をいくつか紹介します。

GANの応用研究
03:55

本セクションの演習です。

演習: 敵対的生成ネットワーク(GAN)
03:18
Requirements
  • 高校数学以上の数学力が一部のレクチャーで必要です。
  • 何らかのプログラミング経験があった方が望ましいです。
  • 人工知能/機械学習を学ぶモチベーション。
Description

本コースは、ディープラーニングを中心にAI技術を包括的に身に付けるためのコースです。

様々な人工知能の技術を順を追って幅広く習得し、人工知能を搭載したWebアプリの構築までを行います。

開発環境であるGoogle Colaboratoryやプログラミング言語Pythonの解説から本コースは始まりますが、セクションが進むにつれてCNNやRNN、生成モデルや強化学習、転移学習などの有用な人工知能技術の習得へつながっていきます。 

AIを広く学び、皆さんが抱えている問題を解決できるようになりましょう。


開発環境にはGoogle Colabを利用するので、環境構築にはほとんど手間がかかりません。

GPUが無料で利用できるので、コードの実行時間も短縮できます。 

効率よく人工知能技術を習得できるように、本コースは様々な工夫を凝らしています。


AI技術は、今後の世界に最も影響を与える技術の一つです。

様々な領域を領域横断的につなげる技術でもあり、どの分野の方であってもこの技術を習得することは無駄にはなりません。

新しい時代に進むために、一緒に楽しく本格的な人工知能を学んでいきましょう。


————————————————————

本コースの主な内容は以下の通りです。

教材の一部は、他のコースと重複する場合があります。


開発環境

→ 開発環境であるGoogle Colaboratoryについて詳しく解説します


Pythonの基礎

→ プログラミング言語Pythonの基礎、及びNumPy、matplotlib、Pandasの基礎について学びます


簡単なディープラーニング

→ フレームワークKerasを使い、ゼロからコードを書いて簡単なディープラーニングを実装します


ディープラーニングの理論

→ バックプロパゲーションを中心に、ディープラーニングの理論を学びます


様々な機械学習の手法

→ ディープラーニング以外の様々な機械学習の手法を学びます


畳み込みニューラルネットワーク(CNN)

→ CNNの原理を学んだ上で、CNNによる画像分類を実装します


再帰型ニューラルネットワーク(RNN)

→ シンプルなRNNからはじめて、LSTM、GRUを学び自然言語処理に応用します


生成モデル -VAE-

→ 変文オートエンコーダ(VAE)による画像の圧縮と復元について、原理を学んだ上で実装します


生成モデル -GAN-

→ 敵対的生成ネットワーク(GAN)による画像の生成について、原理を学んだ上で実装します


強化学習

→ 報酬を最大化するように学習する強化学習について、原理を学んだ上で実装します


転移学習

→ ある領域で学習させたモデルを別の領域に適応させる、転移学習を実装します


人工知能アプリの開発

→ ここまでに学んできた内容をベースに、学習済みモデル活用したWebアプリを構築します

————————————————————


本コースでは可能な限り丁寧な解説を心がけていますが、ある程度ご自身で調べることも必要になるのでご注意ください。

動画を見るのみでも学習が進められるようになっていますが、可能であればPythonのコードを動かしながら進めることをお勧めします。

コードがダウンロード可能ですので、これをベースに様々なカスタマイズを行うこともお勧めです。


様々な人工知能技術を学び、AIが秘めている可能性を発見しましょう!

Who this course is for:
  • 人工知能/機械学習に強い関心のある方
  • 実務で機械学習を使いたい企業の方
  • 専門分野で人工知能を応用したい研究者の方
  • G検定、E資格の取得に興味のある方