みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習
3.8 (4,025 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.
20,053 students enrolled

みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習

初心者向けの人工知能と機械学習のコースです。プログラミング言語Pythonを使って、機械学習とプログラミングの基礎、必要な数学を勉強しましょう!文字認識や株価分析なども行います。
3.8 (4,025 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.
20,053 students enrolled
Last updated 4/2019
Japanese
Current price: $11.99 Original price: $124.99 Discount: 90% off
3 days left at this price!
30-Day Money-Back Guarantee
This course includes
  • 5.5 hours on-demand video
  • 10 articles
  • 5 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to Udemy's top 3,000+ courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • 簡単な機械学習のコードを書けるようになります。
  • Pythonの基礎的なプログラミング技術が身につきます。

  • ビジネス上必要な人工知能の基礎知識が身につきます。

  • 有名な機械学習ライブラリが扱えるようになります。
  • 機械学習と関連した簡単な数学の知識が身につきます。
  • 人工知能全般についての知識が身につきます。
Course content
Expand all 93 lectures 05:37:49
+ コースと人工知能の概要
5 lectures 26:22

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。

Preview 05:54

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。

人工知能(AI)の概要
09:01

機械学習について、概要を解説します。

機械学習とは
05:08

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。

プログラミング言語、Python
03:20

効率的な学習のための心構えについて解説します。

学習の心構え
02:59
+ 準備
7 lectures 22:53

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。

PyCharmの解説
01:27

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。

PyCharmのインストール(Mac)
04:20

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。

PyCharmのインストール(Windows)
03:20

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。

PyCharmの環境設定
06:13

Windows以外の方はこのレクチャーをスキップしてください。

WindowsでAnacondaをスムーズにインストールするためのポイントを予めお伝えします。

(Windowsのみ)Anacondaのインストールの際の注意点
00:02

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。

Anacondaのインストール
04:18

学習の助けになるウェブサイトなどを紹介します。

学習のための参考資料
03:13
+ Pythonの基礎
28 lectures 01:35:24
Python学習の注意点
00:01

Pythonプログラミングの最初の一歩です。

Hello World!
05:09

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。

拡張子について
03:02

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。

コメントと日本語対応
03:28

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。

変数の概念
03:45

加減乗除の四則演算について解説します。

四則演算
04:02

Python2.7とPython3.Xの違いについて解説します。

Python2.7とPython3.Xの違い
00:07

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。

乱数
02:05

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。

文字列の操作1
03:21

より高度な文字列操作について、解説を行います。

文字列の操作2
03:10

Bool値と比較演算子について、概念から解説を行います。

Bool値と比較演算子
07:15

論理演算子について、概念から解説を行います。

論理演算子
04:00

if文を用いた分岐について解説を行います。

分岐
04:57

リストを用いたデータの効率的な扱い方を学習します。

リスト
03:10

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。

タプル
03:30

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。

辞書
04:23

for文を用いたループ処理について学習します。

for文
04:03

while文を用いたループ処理について学習します。

While文
02:37

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。

分岐とループの組み合わせ
02:00

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。

関数
02:27

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。

スコープ
02:39

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。

引数と返り値
03:14

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。

デバッガの使い方
03:35

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。

多重リスト
03:12

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。

クラスの概念の解説
01:18

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。。

クラス
03:37

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。

Preview 06:00

外部ファイルの読み込み方法を学習します。

ファイルの読み込み
05:17
+ 必要な数学の学習
9 lectures 36:35

これから学習する機械学習に必要な数学の概要です。

機械学習に必要な数学
02:10

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。

Anacondaを導入済みの場合は、パッケージの導入を行う必要はありません。

matplotlibの導入
03:04

matplotlibを用いて、一次関数の描画を行います。

一次関数の描画
04:09

matplotlibを用いて、様々な関数の描画を行います。

様々な関数の描画
03:44

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。

指数関数
05:33

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。

Preview 05:58

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。

シグモイド関数1
04:25

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。

シグモイド関数2
03:44

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。

シグモイド関数3
03:48
+ ニューラルネットワーク
15 lectures 44:26

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。

神経細胞の構造
01:30

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。

ニューラルネットワークの概要
01:44

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。

ニューロンの概念的な構造
01:30

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。

ニューロンへの入力
05:00

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。

ニューロンからの出力
02:39

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。

シグモイド関数の導入
03:30

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。

結合荷重(重み)
03:01

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。

ニューラルネットワークによる分類の概要
01:14

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。

外部データの導入
04:28

読み込んだ外部データをmatplotlibにより表示します。

外部データの表示
03:31

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。

外部データの分類
03:29

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。

Preview 03:32

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。

構築するニューラルネットワークの解説
01:19

実際に多層のニューラルネットワークを構築します。

ニューラルネットワークの構築1
03:37

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。

ニューラルネットワークの構築2
04:22
+ 機械学習
9 lectures 36:17

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。

バックプロパゲーションによる機械学習
01:28

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。

訓練用データの読み込み
04:47

matplotlibを用いて、読み込んだ訓練用データの表示を行います。

訓練用データの表示
04:19

訓練用のメソッドを記述します。

訓練用のメソッド
03:02

出力値と正解値の誤差を算出します。

誤差
03:07

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。

中間層-出力層の重みの修正
05:42

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。

入力層-中間層の重みの修正
05:48

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。

訓練
03:05

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。

訓練結果に基づく分類
04:59
+ 機械学習ライブラリの活用
7 lectures 41:53

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。

scikit-learnの概要
02:06

scikit-learnの導入方法について、解説を行います。

Anacondaを導入済みの場合は、パッケージの導入を行う必要はありません。

scikit-learnの導入
02:35

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
scikit-learnの練習
08:17

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。

scikit-learnによる文字認識1
05:44

サポートベクターマシンを用いた文字認識の続きです。

scikit-learnによる文字認識2
06:54

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。

Preview 07:49

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:])

scikit-learnによる株価分析2
08:28
+ さらに学ぶために
5 lectures 22:40

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。

Preview 05:05

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。

CPUとGPU
03:03

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。

畳み込みニューラルネットワークとDCGAN
04:15

5-10年後、10年後以降の人工知能の動向を予想します。

人工知能の未来
05:39

Python3.6の導入方法の解説を行います。

補足: Python3.6の導入
04:38
+ ボーナスレクチャー
8 lectures 04:47

さらに学びたい方のために、関連コースを紹介します。

ボーナスレクチャー: さらに学びたい方のために
00:11

講師の著書を紹介します。

ボーナスレクチャー: 著書
00:06

講師の会社のYouTubeチャンネルです。講座の一部が無料で公開されています。

ボーナスレクチャー: YouTubeチャンネル
00:01

講師の会社のFacebookページです。最新の情報が提供されます。

ボーナスレクチャー: Facebookページ
00:01

講師が代表取締役を務める、SAI-Lab株式会社を紹介します。

ボーナスレクチャー: SAI-Lab株式会社(講師の会社)
00:01

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。

評価とレビューのお願い & 本講座で使用した資料
00:01

機械学習のセクションで扱った、重みの更新の式の数学的背景を解説します。

本コースの範囲外の内容ですので、コースの修了とは関係ありません。

重みの更新式の数学的背景
00:00

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。

お使いのPCが32bitか64bitかを判定する方法も解説しています。

Pythonの個別インストール(Windowsのみ)
04:23
Requirements
  • 中学レベルの数学で十分です。高度な数学は必要ありません。
  • プログラミングが全くの未経験でも問題ありません。
  • MacでもWindowsでも大丈夫です。
Description

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およびAnaconda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。

Who this course is for:
  • 人工知能、機械学習に興味があるが、最初のとっかかりが分からない方
  • 人工知能、機械学習関連の分厚い書籍に辟易した方
  • 人工知能、機械学習をビジネスで扱う必要に迫られた方
  • 数学、プログラミングが人工知能学習の障壁になっている方
  • 人工知能の学習を通してPythonプログラミングを身に付けたい方
  • 文系の方、非エンジニアの方にもおすすめです