内容概要

現在、ほとんどの機械学習・ディープラーニングの書籍や学習コンテンツは、数式やアルゴリズムを用いた説明をしており、数学から遠ざかってしまった方が読み進めるのが難しく、難解な分野だという雰囲気を醸しています。

正直、ありもののライブラリやAPIを使えば、機械学習・ディープラーニングでそれなりのものは作れる世の中になりつつあります。しかし、だからこそ今後求めらるのは本当にAIを理解している人であるはずですから、 ML/DLで扱うアルゴリズムの理解に不可欠な数学や統計などの知識は重要と言えます。

本講座は、上記思想のもと、一人だと非効率かつ目的を見失いがちなMLに必要な数学について、ML/DLにおける数学の観点からカリキュラムを作成し、数学について全く自信のない方でも、ML/DL界隈で基礎とされる数式・アルゴリズムが独学できるスキルの習得を目指します。

今回は、確率/統計を扱います。尤度関数や誤差関数／損失関数、勾配降下法といった「学習時の最適化問題」の解決のためにはとても重要な分野です。合計10時間の講座となりますので、完全なる理解は難しいかもしれませんが、ML入門書を独学できるベースの知識を、多くの演習問題を通して身につけられるようにプログラムしています。

プログラム内の確率・統計に関しては、アメリカで数学Ph.D.を取得された先生に監修いただいていますので、受講後より高度な知識習得にも役立つ内容となっています。

この講座で得られること

先日邦訳が発売された深層学習の世界的名著で入門者必読とされる深層学習 。この第3章が機械学習・ディープラーニングの理解に必要な確率・統計の説明に割り当てらています。本講義では、DAY1とDAY2を通して受講されることで、確率/統計について全く自信のない方でも、ML/DL界隈で基礎とされるこの章が理解できるスキル。

英語版は無料なのでこちらで内容を確認いただけます。
http://www.deeplearningbook.org/contents/prob.html

受付・入場時間

開始の15分前から

カリキュラム

DAY1
* 統計学とは
* 統計学と機械学習の関係
* 記述統計と推計統計（母集団と標本を考える理由）
* 母集団vs標本
* 質的データvs量的データ
* データの視覚化
* 総和記号Σ
* 量的データの中心、平均、最頻、中央、広がり、ばらつき
* 確率
* 確率に関する定理

DAY2
* 条件付き確率
* ベイズ則
* 条件付き確率
* 条件付き確率の連鎖率
* 独立と条件付き独立
* 確率変数
* 確率分布
* 周辺関数
* 相関係数
* 期待値、分散と共分散
* 一般的な確率分布
正規分布
多次元正規分布
ベルヌーイの分布
マルチヌーイの分布（二項分布）
ガウス分布
指数分布とラブラス分布
ディラック分布と経験分布
* 構造化確率モデル

若干変更なる場合があります。

対象者

・ML、DLを勉強しているが、確率・統計に自信のない方
・これからAIを勉強したいが、確率・統計を先に身につけたい方
・平均とかぐらいはわかり、偏差値も説明を聞けばわかりそうな方

会場へのアクセス方法

直接会場にお越しください。

講師

S Tahara
東京大学大学院修了。新卒でベンチャー企業に入社後、エンジニアとプロジェクトマネジャーを経験。その後、リクルートにて複数のAI案件に携わる。現在は、医療業界と金融業界を中心に、様々なAI案件をリードする。

I Sai
全人類がわかる統計学の管理人。大学にて統計学を専攻。現在は、PythonやRを使い、都内の私立大学医学部で統計解析の助手やDSコンペへも積極的に参加している。東京工業大学大学院にて自然言語処理の研究にも従事している。
https://to-kei.net/

当日のお持物

ご自身のノートPC（必須）
筆記用具

講座までの準備

なし

領収書

【Paypalでお支払いの場合】
PayPal発行の受領書が領収書となります。
受領書ページは、PayPalの支払い完了ページで「印刷用受領書を見る」をクリックすると表示されます。
（当社よりの重複しての領収書発行は行えません)

備考

• 長時間ですので、ところどころ休憩を挟みます
• 勉強会内容を撮影もしくは録音することは、ご遠慮ください
• 個人ブログへの記述については、良識の範囲内でお願いいたします
• 講義コンテンツは全てスキルアップAIに帰属していますので、複製はご遠慮ください

運営団体

https://www.skillupai.com