Now Loading...

Now Loading...

JDLA「E資格」向け認定プログラム

JDLAが実施するエンジニア資格(「E資格」=JDLA Deep Learning for ENGINEER)の受験資格を得るために修了が必須となる「JDLA認定プログラム」です。「機械学習」(東北大学大学院岡谷貴之先生監修)、「ディープラーニング」(東京大学大学院松尾豊先生監修)の順に全課題を修了していただき、最後に補足説明と練習問題集からなる「E資格パッケージ」を修了していただくと、「E資格」の受験が可能となります。

弊社の教材は、日本ディープラーニング協会の「JDLA認定プログラム」の認定を受けております。同協会がディープラーニングを実装するエンジニアの技能を認定するE資格(エンジニア資格)「JDLA Deep Learning for ENGINEER」受験のために、「JDLA認定プログラム」の修了が必須となっており、弊社の「機械学習」「ディープラーニング」両方の修了と、所定の補足教材を受講することで、受験が可能になります。

プロダクション

コースの特徴

  • 信頼のクオリティ

    東北大学大学院・岡谷貴之先生(「機械学習」)、東京大学大学院・松尾豊先生(「ディープラーニング 」)の監修にて、カリキュラム構成や内容など、安心して学習していただけます。

  • 高い網羅性

    JDLA「E資格」受験のためのシラバスを網羅していることはもちろん、監修の指導のもと、機械学習、ディープラーニングの基礎と実践について、幅広く学ぶことができる内容になっています。

  • 先端的なコース設計

    米国発「インストラクショナルデザイン」など最先端の教育手法を教材開発に活用。LMSと演習システムをシームレスに連携し、レベルや理解度に合わせて、知識習得〜実践スキル取得までを可能にしています。

  • オンデマンド

    単元ごとに分かれた動画教材(平均5分/本)をステップごとに収録。全200以上の動画教材に受講開始初日からアクセスし、自身のペースで学習・復習していただくことが可能です。

  • バリアフリー

    全ての動画教材が日本語字幕付きでオン・オフ自由。聴覚障がい者の方でも受講可能なバリアフリー性を確保しているほか、静かな環境でのリモート学習にも最適です。

  • 全体字幕機能で理解を促進

    全体字幕で動画ごとにストーリー全体の確認が可能(現在「機械学習」のみ)。また字幕をクリックするだけで、ストーリーの中で確認したい動画の箇所に、いつでも戻ること/進むことが可能です。

  • 実践的なクラウド演習

    自社開発のクラウド型演習システムで、プログラミング演習も全てオンラインで実行可能。Python、Tensorflowなどの自社PCへのインストール&バージョン管理も不要です。

  • 修了証の発行

    それぞれのコース修了要件を満たすと、修了証が発行されます。法人での修了証明としてご活用いただけるほか、「機械学習」「ディープラーニング」「E資格パッケージ」の修了でJDLA「E資格」受験が可能です。

  • 自主学習に最適

    受講履歴画面より、ご自身の進捗状況をいつでも確認可能。自主学習のためのペース配分などに便利です。

  • 管理画面で進捗確認(法人のみ)

    法人管理者は、自社の受講生それぞれの進捗を一覧で確認できる、「管理」機能をご利用いただけます(法人契約はお問い合わせ下さい)。

受講生の声

  • 製造業勤務(開発)

    JDLA「E資格」取得

    機械学習やディープラーニングなどのこれまでの根底を変える技術をリカレント教育によって社会実装をするために学び、基礎となる回帰からパターンを増やしつつ反復しながら学習できたのは、理解の促進につながり良かったです。

  • 商社勤務(マネージャー)

    JDLA「E資格」取得

    内容がわかりやすく説明されて、また、演習で実際に行うことで実感として体感することができた。 マネジメントの立場でもテクノロジーの理解は重要であり、大変よい勉強の機会となりました。

  • IT企業勤務(SE)

    JDLA「E資格」取得

    とても力がつきました。例えばLeNetなど有名なネットワークについての説明は通常の参考書でもさらっとしか触れられないため、このコースが大変わかりやすい上に知識が増えとても感謝しております。ありがとうございました。

コースシラバス(機械学習)

Step1 イントロダクション

  • Section1. コース概要
  • Section2. 機械学習の種類
  • Section3. 線形代数
  • Section4. 確率
  • Section5. Python
  • Section6. Step1 演習

Step2 回帰

  • Section1. 回帰
  • Section2. 回帰問題
  • Section3. 線形回帰モデルの学習
  • Section4. 実践に向けて
  • Section5. Step2 演習

Step3 分類

  • Section1. 分類問題とは
  • Section2. ロジスティック回帰とは
  • Section3. 実践に向けて
  • Section4. Step3 演習

Step4 ニューラルネットワーク

  • Section1. ニューラルネットワーク
  • Section2. なぜ隠れ層が必要なのか
  • Section3. ニューラルネットワークの学習
  • Sectio4. Step4 演習

Step5 機械学習モデルの実践に向けて

  • Section1. 実用上の問題と考えられる原因
  • Section2. オーバーフィッティング対策
  • Section3. モデルの選択
  • Section4. データの前処理
  • Section5. 巨大なデータを集める前に
  • Section6. Step5 演習

Step6 サポートベクトルマシン

  • Section1. サポートベクトルマシンとは
  • Section2. カーネル法
  • Section3. サポートベクトルマシンの実践
  • Section4. Step6 演習

Step7 教師なし学習

  • Section1. 教師なし学習とは
  • Section2. k-meansクラスタリング
  • Section3. 主成分分析
  • Section4. Step7 演習

Step8 ディープラーニング

  • Section1. ディープラーニングの基礎
  • Section2. ディープラーニングの応用例
  • Section3. ディープラーニングの主なモデル
  • Section4. Step8 演習

機械学習コース リソース

  • リソース
  • オプション



コースシラバス(ディープラーニング)

Step1 イントロダクション

  • コース概要
  • Section1. ディープラーニングの世界へようこそ
  • Section2. 演習環境
  • Section3. Step1 演習

Step2 ニューラルネットワークの基礎

  • Section1. ニューラルネットワークの基礎
  • Section2. 単純パーセプトロン
  • Section3. ロジスティック回帰
  • Section4. 多クラスロジスティック回帰
  • Section5. 多層パーセプトロン
  • Section6. モデルの学習
  • Section7. Step2 演習

Step3 ニューラルネットワークの改善

  • Section1. ニューラルネットワークの改善
  • Section2. 活性化関数
  • Section3. 正則化
  • Section4. 最適化
  • Section5. TensorFlow
  • Section6. Step3 演習

Step4 畳み込みニューラルネットワーク

  • Section1. 畳み込みニューラルネットワーク
  • Section2. 畳み込みとプーリング
  • Section3. CNNの応用
  • Section4. CNNの構造
  • Section5. Step4 演習

Step5 回帰結合型ニューラルネットワーク

  • Section1. 回帰結合型ニューラルネットワーク
  • Section2. RNNの様々なモデル
  • Section3. 長期依存性
  • Section4. Step5 演習

Step6 生成モデル

  • Section1. 前提知識の確認
  • Section2. 深層生成モデル
  • Section3. おわりに
  • Section4. Step6 演習

Step7 強化学習

  • Section1. 強化学習とは
  • Section2. 強化学習の定式化
  • Section3. 動的計画法
  • Section4. モンテカルロ法とTD法
  • Section5. DQN
  • Section6. 方策勾配法
  • Section7. まとめ
  • Section8. Step7 演習

ディープラーニングコース リソース

  • リソース



コースシラバス(E資格パッケージ)

E資格追加資料

  • はじめに
  • 応用数学
  • 畳み込みネットワーク
  • 回帰結合型ニューラルネットワーク
  • 生成モデル
  • 強化学習
  • 軽量化・高速化技術

E資格クイズ

  • クイズ



コース詳細

コース概要

・構成: ビデオ教材、教材用スライド、演習問題(全てオンラインで完結)
・時間: ビデオ教材受講、演習課題の修了含めて、60〜100時間程度
・価格: ユーザー数に応じてID課金(定価:サポートあり150,000円(税別)/サポートなし100,000円(税別)。詳しくは個別にお問い合わせください。)
・修了要件: 「機械学習」「ディープラーニング」ともに全ステップ全ての課題修了で修了証を発行。「E資格パッケージ」は一定の受講要件を満たすと修了。

サポートについて

弊社教材は、主に講座部分と演習部分によって構成されており、全ての演習課題に正解していただくことが修了要件となっております。演習を進めていくにあたり、すぐには分からない課題等があれば、まずは講座や演習の「ヒント」などをご参考にしていただきつつ、それでも分からない点について「サポート」をご利用いただくことが可能です。受講画面より「サポート」ボタンを押してお問い合わせいただくと。zero to oneサポートデスクより質問へのご回答等をさせていただいております。

履修要件

・微分積分、確率統計、線形代数の基礎知識が必須
・Pythonのプログラミングの基礎知識必須

到達目標

・機械学習、ディープラーニング についての基礎知識を理解し、その活用の具体策を社内で検討することができる
・プログラミング言語(Python)を用いた機械学習、ディープラーニングの実践スキルを身につける。
・ライブラリ(Tensoflow)を用いて、ディープラーニングの実装ができる。
・AI分野の最新動向や技術進歩に対して、それを理解・活用する基盤知識・スキルを身につける。
・AIを用いてビッグデータをどう活用できるのか、理解・実践することができる。