第4期 社会人向けデータサイエンス
＆AI人材育成プログラム

Python講座1

演習通じてPythonの基本的文法とデータ分析をしていく上でよく使う基本テクニックを中心に学んでいきます。また、Pythonでデータ分析をする際に欠かせない「pandas」というライブラリを紹介します。1週目はPythonを書くことに慣れていきます。

データサイエンスPJの進め方１

この講座では、ビジネスにおいて、データサイエンス、特にAI、機械学習を使うプロジェクトをスムーズに進めるために必要な前提知識、機械学習特有のプロジェクトの流れ、問題、成功させるためのプロセスを理解していきます。具体的には、 先端のAI技術について紹介していくことで、ビジネスにおいてイノベーションを起こすプロジェクトを見抜く眼力と鼻を養なっていきます。具体的には、講座内において、ビジネス展開を想定した仮想的なAIプロジェクト企画の要求仕様の作成を行います。また、それに基づく見積もりを作成します。チームに別れてグループワークで仕様の議論を行ない、課題点を明確にします。 最後にクラス全体でチーム検討結果を共有し、AI企画、見積もりの課題点を浮き彫りにし、具体的なAI技術を想定した、AIプロジェクト企画の要求仕様の作成や、それに基づく見積もりの作成を体験することにより、ビジネスにおいて、データサイエンス、特にAI、機械学習を使うプロジェクトの具体的な進め方を理解していきます。

データサイエンスPJの進め方２

この講座では、ビジネスにおいて、データサイエンス、特にAI、機械学習を使うプロジェクトをスムーズに進めるために必要な前提知識、機械学習特有のプロジェクトの流れ、問題、成功させるためのプロセスを理解していきます。具体的には、 先端のAI技術について紹介していくことで、ビジネスにおいてイノベーションを起こすプロジェクトを見抜く眼力と鼻を養なっていきます。具体的には、講座内において、ビジネス展開を想定した仮想的なAIプロジェクト企画の要求仕様の作成を行います。また、それに基づく見積もりを作成します。チームに別れてグループワークで仕様の議論を行ない、課題点を明確にします。 最後にクラス全体でチーム検討結果を共有し、AI企画、見積もりの課題点を浮き彫りにし、具体的なAI技術を想定した、AIプロジェクト企画の要求仕様の作成や、それに基づく見積もりの作成を体験することにより、ビジネスにおいて、データサイエンス、特にAI、機械学習を使うプロジェクトの具体的な進め方を理解していきます。

Python講座2

データ分析で大事なことは「データとの対話」です。データと対話するには、データを集計したり可視化したりすることが必要になります。この講義の前半はデータの集計と可視化のテクニックを学びます。後半はグループに分かれてデータ集計と可視化を使ったショートプロジェクトを行います。

ビジネス発想とデータ

データとビジネス

データは、データそのものに意味があるのではなく、ビジネスを遂行していくために活用するものです。ここでは、そもそもどうビジネスプランを描くのか、そしてそこにどうデータを活用していくのか、を考えていきます。

機械学習の裏方ー機械学習の数理的背景を理解しよう

機械学習は、統計・情報理論・解析などの数学理論の上に成り立っています。機械学習を利用する時、多くの指標を測定したり、パラメータを設定しなければならないことは、この事実の証です。利用者にとって、機械学習を数理的に深く理解することは必要ありませんが、一定の数理的理解を持つことは、機械学習の利用をより実り多いものにします。この講義では、機械学習の基本的概念・指標やパラメータ・仕組みの数理的背景をわかりやすく説明します。

1. 機械学習の枠組み

   機械学習の理解に役立つ確率・統計・情報理論の基本的な概念を、機械学習の基本的な手続きを通して学ぶ。特に、分散・情報量について学んだのち、混同行列・擬陽性率・擬陰性率・AUC-ROCなど、頻出・必携の概念を理解する。また、主要な機械学習のアルゴリズムを紹介し、学習の原理について理解する。

2. ニューラルコンピューティングの仕組み

   古典的ニューラルネットであるパーセプトロンの誤り訂正学習から論を起こし、ニューラルコンピューティングの課題とその解決を追いながら、現代のニューラルコンピューティングのアーキテクチャを理解する。損失関数・活性化関数・誤差逆伝播法（バックプロパゲーション）など、頻出・必携の概念についても学ぶ。

Python講座3

実世界のデータ分析業務では、決してデータ分析に適したデータばかりではありません。そのため、データ分析に使うにはクレンジングが必要になります。この講義では、実践で役立つデータクレジングのテクニック（欠損値の処理、時間型の扱い方、文字列の処理）を学びます。最後に、データクレンジングからデータ集計・可視化まで行うショートプロジェクトを行います。

Python実習フォローアップ

フォローアップ

機械学習、全部見せます 1

機械学習が実現できる機能として、分類・クラスタリング・回帰・次元削減が挙げられます。これらの概要を眺めながら、回帰、および分類(決定木、サポートベクターマシン、ナイーブベイズ、アンサンブル学習、ニューラルネットワーク)の各機能についてハンズオン形式で学びます。

機械学習、全部見せます 2

前回に引き続き、機械学習が実現できる機能として、クラスタリング、次元削減の各機能についてハンズオン形式で学びます。具体的には階層型クラスタリング、非階層型クラスタリング、主成分分析について示します。

機械学習実習

ここではディープラーニングの一つ、畳み込みニューラルネットワークを学び、画像認識のサンプルプログラムを動かすことを試みます。また、そのサンプルプログラムを応用することで様々なアプリケーションへ展開する方法について実習を通して学びます。