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。

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10分前から

カリキュラム

• DAY1

  • 統計学とは
  • 記述統計学と推計統計学
  • 母集団と標本
  • 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
  • 量的データのばらつき・広がり
  • 二変数間の関連の強さ
  • 確率
  • 条件付き確率

• DAY2

  • 確率変数
  • 確率分布
  • 確率変数の期待値と分散と標準偏差(意味も)
  • ベルヌーイ分布
  • マルチヌーイ(カテゴリカル)分布
  • 正規分布(1.96σ、中心極限定理など、特に詳しく!)
  • 指数分布とラプラス分布(紹介だけ)
  • 構造化確率モデル(ざっくりと)
  • 二項分布と多項分布
  • 仮説検定
    

若干変更となる場合があります。

対象者

• これからAIを勉強したい、もしくはML、DLを勉強しているが、確率・統計に自信のない方
• 公式などはわかるが、その基礎・原理をしっかり学びたい方

会場へのアクセス方法

週末はビル正面玄関が閉まっているため、開始10分前より随時内側から開錠いたします。
ビル正面玄関前でお待ちいただきますようお願い致します。
https://imgur.com/a/XteLG

遅刻される方は、入り口に着かれましたら、skillupai.tokyo@gmail.com までご連絡ください。
スタッフがお迎えに行きます。

講師

S Akematsu

東北大学理学部数学科卒業。個人事業を経て、高専向け学習塾「ナレッジスター」の経営などを行う教育特化型企業「合同会社Haikara City」を創業。現在、高専教育、社会人向けIT教育、WEB教育コンテンツの発信等を主に行う。著書 線形空間論入門 。現在は、画像解析システムの研究開発企業に対して、DeepLearningに関する数理コンサルティング、数学指導なども行う

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