【計算して実感する】 データサイエンスのための数学入門

【本講座の概要】

本講座はデータサイエンスを学ぶための数学力を身に付けるための講座です。

普段、Scikit-learnやDeep Learningのライブラリ(TensorFlowやPyTorch)を利用している時は数学的な要素をライブラリが数学を上手くラップしてくれているので、そこまで数学を意識しないかもしれません。

しかし、モデルの単純なfitで上手く行かない場合やモデルの中身を理解しようとすると途端に様々な数学が出てきます。

この場合に数学力が無いと自分の手で検証してみる、自分の足で一歩踏み出す、こういう事が難しくなります。

"自然は数学の言葉で書かれている"とガリレオ・ガリレイは言いましたが、数学は自然科学やデータサイエンスを学ぶ上での共通言語のような存在です。

この為、数学の基礎を身に付けることが全ての出発点になるわけです。しかし、数学はいざ学ぼうと思っても数学の世界は広大です。どこから手を付けてよいのか、何を学べばよいのかも自明ではありません。数学の広大な世界を学んでいるうちにいつの間にか、データサイエンスを学ぶために数学を学ぶという本来の目的からずれてしまうかもしれません。

本講座はデータサイエンスを学びたい人が必要な数学をなるべく効率よく、しかし網羅的に学べるようにカリキュラムを組んでいます。データサイエンスでは様々な数学が出てきます。関数、ベクトル、微分・積分、行列、確率論。

本講座ではデータサイエンスに必要な数学に絞って解説をしています。また必要以上に高度な数学を学ぶ必要はありません。数学は基本的な事をしっかりと理解し、これを実践できるという事が大変重要です。難しそうな数学は単純にこれの組み合わせである事が多い為、基本的な要素を理解する、これが重要なのです。

この講座を受講する事で、データサイエンスに必要な数学力を最短・最速で学ぶことが可能です数学を効率よく学ぶにはインプットとアウトプットの両方が大切です。

分かっていると、手が動かせるは別の次元の事なのです。この為、この講座では多くの例題を通して、アウトプットの機会を設けています。この時に、分かっていたつもりの事が実は理解が曖昧だったという事も分かります。

またこの講座はデータサイエンスのための数学入門です。

最後のセクションでは学んできた数学をデータサイエンスに紐づけるために、データサイエンス演習のセクションを設けています。

このセクションは確率・微分・方程式など学習してきた内容を組み合わせてMSE, 勾配降下法や情報エントロピー・Gini不純度といったデータサイエンス頻出の内容を理解します。また、ただ分かるではなくデータサイエンスでは実装が求められるのでこれらをNumpyを使って実装していきます。

これらの演習を通して、データサイエンスで数学を使える状態に持っていきます。

この講座を完了するころには以前よりも数学に自信が付き、なおかつデータサイエンスの背後で動いているアルゴリズムについてより深い理解度や実装ができるようになっているはずです。

【人事の方/マネージャークラスの方へ】

本コースは次のような使い方が可能です。

・社内で数学の基礎がしっかりしたAI人材を育成したい

・効率よくプロレベルのデジタル人材を育成したい

本コースはデータサイエンスのライブラリを表面的にツールとして使える人材ではなく、背後にある数学、アルゴリズムをしっかり理解できる人材に育てるために活用する事ができます。実際のＤＸの現場ではライブラリを使えば簡単に解決、こういうシーンは少なく、背後の数学を理解し、適切なモデル選択や必要に応じてスクラッチからの実装、損失関数の設計をできる人材が求められます。したがって、こういった基礎力は間違いなく重要になってきます。

【対象者とゴール】

このコースは入門レベルであり、対象者は昔、高校時代に数学を学習したはずだが多くを忘れている方がデータサイエンスに入門する為の講座です。

本コースのゴールは2つあります。

1. データサイエンスに必要な数学の基礎をしっかり身に付ける

2. 勾配降下法や情報エントロピー、不純度、KLダイバージェンスといった教科書によく出て内容を背後の数学とアルゴリズムを理解した上でNumpyなどで自力で実装できる実装力を身に付ける