【B2】AI・機械学習概論
AI・機械学習エンジニア、データサイエンティストに必須の基礎知識や理論を学習します。AI技術の歴史や特有の問題、機械学習の種類や分類、ニューラルネットワークでディープラーニングの基本構造と動作原理、さらにはAIシステムの利用や設計などについて、幅広い知識を習得できます。【標準学習時間：3時間】
| 章 | 節 |
|---|---|
| 第１章 AIの基礎概念と歴史 | 第1節 AIのイメージと定義 |
| 第2節 AIの中心的な技術である 「機械学習」とビッグデータ | |
| 第3節 AIの歴史（第1次、第2次、第3次AIブーム） | |
| 第4節 まとめ | |
| 第２章 AI技術の変遷 | 第1節 探索・推論、探索木、 幅優先探索、深さ優先探索 |
| 第2節 知識表現、知識獲得のボトルネック、 意味ネットワーク、オントロジー | |
| 第3節 機械学習、 ニューラルネットワーク、 ディープラーニングの概要 | |
| 第4節 まとめ | |
| 第３章 AI特有の問題 | 第1節 トイ・プロブレム問題、フレーム問題、 シンボルグラウンディング問題 |
| 第2節 チューリングテスト、汎用人工知能、 特化型人工知能 | |
| 第3節 特徴量設計、説明可能なAI、 シンギュラリティ | |
| 第4節 まとめ | |
| 第４章機械学習の基礎 | 第1節 機械学習の概要と分類、教師あり/なし学習、 強化学習の違い |
| 第2節 教師あり学習（線形回帰・ロジスティック回帰） | |
| 第3節 教師あり学習（ランダムフォレスト・ サポートベクタマシン） | |
| 第4節 教師なし学習（階層なしクラスタリング、主成分分析） | |
| 第5節 データマイニングによる特徴抽出 | |
| 第6節 モデルの評価①（混同行列、 正答率・適合率・再現率・F値） | |
| 第7節 モデルの評価②（ROC曲線・AUC）、 モデルの解釈 | |
| 第8節 まとめ | |
| 第5章ニューラルネットワークとディープラーニング | 第1節 ニューラルネットワークの基本構造と動作原理 |
| 第2節 ディープラーニングの問題への解決（オートエンコーダ） | |
| 第3節 活性化関数の概要 | |
| 第4節 学習率の最適化とテクニック （勾配降下法・ドロップアウト） | |
| 第5節 畳み込みニューラルネットワーク （CNN）の概要 | |
| 第6節 リカレントニューラルネットワーク （RNN）の概要、LSTMの概要 | |
| 第7節 ディープラーニングの応用例 （画像認識・自然言語処理） | |
| 第8節 まとめ | |
| 第６章さまざまなソリューション | 第1節 ディープラーニングに最適なハードウェアの選択基準 |
| 第2節 データフォーマット （JSONやXML） | |
| 第3節 データ解析ツール （構造化/非構造化データの統計解析ツール） | |
| 第4節 データベース技術 （NoSQL、キー・バリュー型、ドキュメント指向） | |
| 第5節 分散システムとクラスタリング | |
| 第6節 まとめ | |
| 第７章作るＡＩ | 第1節 作るAIと利用するAI |
| 第2節 機械学習プログラムを構築する流れ | |
| 第3節 データの収集と整形 | |
| 第4節 Scikit-learnの実装例 | |
| 第5節 モデルの評価 | |
| 第6節 まとめ | |
| 第８章利用するＡＩ | 第1節 様々なクラウドサービス（Azure Cognitive Servicesの事例） |
| 第2節 日本語処理の概要（自然言語処理・マルコフ連鎖） | |
| 第3節 日本語処理をクラウドで実現する（キーフレーズ・感情分析） | |
| 第4節 画像識別をクラウドで実現する（Custom Vision、Prediction API） | |
| 第5節 まとめ | |
| 第９章 AIシステムとソリューション企画 | 第1節 AIプロジェクトの計画・設計 |
| 第2節 AIの技術とその適用 | |
| 第3節 AI の倫理的・法的・社会的課題(ELSI) | |
| 第4節 まとめ |
カリキュラム一覧
