[入門/初級] 様々な例題を通じた推薦システム実装

講師が初めて機械学習を学んだ際の失敗経験をもとに、機械学習を簡単に理解し、実際の問題に応用できるよう、従来の講義とは異なる形で新たに構成した講義です。

"ディープラーニングのコードは動くのに、論文の数式はどうしてこんなに馴染みがないのだろう？" AIを勉強していると、ある瞬間、数式の壁にぶつかります。その壁の正体を遡ってみると、結局、最も基礎的な数学の言語をしっかりと固めていないことに突き当たります。 この講義は、集合という言語から始まり、方程式、関数、数列、指数・対数、三角関数まで、18講にわたって核心的な概念だけを選んで解説していきます。公式を暗記させることはしません。AIの文脈がどこにつながるのかを簡潔に示しつつ、この講義の主な目的は一つです。それは、その後の線形代数、微積分学、確率統計を学ぶ際に揺るがない土台を作ることです。 「スミンジョンウム（数民正音）」シリーズの第1弾として、残りの3編をしっかりと消化するための共通言語を、この講義で作り上げます。

機械学習&ディープラーニングの基礎から確実に！ Pythonに分類/回帰/クラスター/人工ニューラルネットワークの作成と活用まで

サムスン電子DS部門のメモリ・S.LSI・Foundry・TSP・AVP評価および分析、SKハイニックスのPE・AE・Solution PEを目指しているものの、事業部と職務の違いで行き詰まっている就職準備生のための講義です。 製品評価職務の実際の業務フローを基準に会社別の職務名を整理し、自身の専攻経験を自己紹介書や面接で活用できる職務言語に変換する方法を学びます。 アナログ回路設計、Verilog/FPGA、工程実験、データ分析の経験などを、歩留まり・Wafer Map・Shmoo Plot・不良分析といったキーワードと結びつけ、志望戦略を立てることができます。

ビッグデータの基本概念と最新トレンドを把握し、ビッグデータ分析技法の技術的理解を通じてデータパターンを抽出し、ビジネスに活用できる方法を提示します。ビッグデータを通じて新しいビジネスを創出し、未来のビジネス環境に対する洞察力を養うことができます。

ボストンマラソンのビッグデータに基づいて、PythonとTensorflow 2を利用して、多様で有用な機械学習回帰（Regression）と分類（Classification）プロジェクトを理論とともに学ぶ機械学習総合プロジェクトコースです。

- Kaggleコンペ実践プロジェクト：データ探索から提出まで - チュートリアルの次は、本物のKaggleコンペを最初から最後までやってみよう Kaggleに登録し、タイタニックのチュートリアルまで終えたものの、いざ本物のコンペを前にすると、どこから手をつければよいのか分からず途方に暮れていませんか？他人のノートブックをコピーして提出するだけでは、「なぜ自分のスコアは上がらないのだろう？」という壁にぶつかります。 この講座では、実際のKaggleコンペに取り組み、データ探索、検証設計、特徴量エンジニアリング、モデリング、提出までを最初から最後まで一緒に進めます。コードを暗記するのではなく、「何を、なぜ試し、その効果をどのように検証するのか」というコンペにおける思考の流れを身につけていただきます。[ご自身のコンペ参加・受賞経験または実務経験を一言]

AIを勉強しようとして、線形代数の数式の前でいつも挫折していませんか？この講義は公式を暗記する代わりに、ベクトルや行列が空間で実際にどのように動くのかを視覚的にお見せします。最後まで受講すれば、ニューラルネットワーク、PCA、SVDの背後に隠れた数学を自力で読み解けるようになります。

🚀 Databricksで学ぶ実践AI異常検知！ 💡 高くて遅いモデルはもう終わり！大規模データ最適化からリアルタイム配布まで、企業実務で直ちに活用できる異常検知AIを完成させます。

本過程は、Pythonを用いた機械学習のための数学および統計の基礎内容を実習する過程です。機械学習やディープラーニングはプログラミング能力も必要ですが、原理を把握するためには数学的な背景が必要となります。本過程を通じて、人工知能に必要な基礎数学を段階的に習得することができます。

Classic RAG、Graph RAG、Agentic RAGの核心原理と実践的な実装を学びます。トークン効率とレイテンシを最適化する動的ルーティングシステムを設計し、GraphRAGの関係ネットワーク推論とAgentic RAGの自己評価ループを組み合わせた長期記憶システムを構築します。実務ですぐに活用できる高度なRAGアーキテクチャ設計能力を完成させるためのコースです。

本コースは、AIモデリング及びサービス企画を実務に適用するために必要な基本理論と実務プロセスを学習するコースです。 学習者は、AIモデリングプロジェクトを熟練して遂行するために必須となる基礎知識を習得し、実際の現場で活用される様々な実務手順を経験することができます。特に、AIサービスの環境分析 → 目標設定 → 要求事項分析 → サービスモデル設計 → シナリオ企画 → 活用企画 → 実行計画策定 → 成果評価企画まで続く全体の流れを段階的に学習するよう構成されています。 これにより、単純に技術的な観点での学習に留まらず、ビジネスとサービス企画の次元でAIをどのように導入し活用するかについての体系的な思考と実務適用能力を養うことができます。 本コースを修了した学習者は、AIプロジェクトの全般的な企画と実行過程を理解し、実際の企業環境でAIサービス企画者・PM・データ基盤戦略家としての能力を強化することができるでしょう。

1. AI資格、AICE Associate取得のためのPythonコーディング学習 2. 基礎から応用まで段階的なPythonコーディング学習 3. AI分野の権威、高麗大学キム・ジュンホン教授の講義

AIが単に答えるだけの時代は終わりました。 今は自ら判断し行動するLLM Agentの時代です。 この講座はわずか90分の実習でエージェントの核心原理と構造を直接実装しながら学ぶ入門型講座です。 複雑な理論は最小限にし、コード中心の実習フローで「AIがどのように判断しツールを使用するのか」を直接体験できます。 プロンプトエンジニアリングを超えて、AI自動化の第一歩を一緒に始めてみましょう。

現場のオフライン環境でも顔認証がどのように動作するのか疑問に思った経験をもとに、 この講義では React + Electron と Python の FastAPI ベースで駆動する DeepFace を活用し、顔認証ベースの入退室・出席管理の基本構造を一緒に作っていきます。 完成度よりも動作原理の理解と、個人プロジェクトへと拡張できる基礎固めに焦点を当てます。

AIに「このデータでモデルを作って」と頼んでみると、最初の数行はそれらしく見えますが、少し複雑になると見当違いなカラムを使ったり、リークが混ざったり、スコアは上がったのにモデルは改悪されたりします。この講義は、より良いプロンプトを教えるものではありません。代わりに、エージェントがデータを理解し、計画を立て、コードを書き、自身の結果を検証し、間違っていれば戻るというループ（ハーネス）を直接設計する方法を扱います。DS-STARの5つのピースからなるループを手作業で一周させた後、データプロファイルカード、フック、スキル階層、独立検証者、アブレーションまで一つずつ組み立てていきます。

非専攻者や初心者の方がビッグデータ分析技師の実技試験に早く合格できるよう、ご案内します！ 理論は軽く、実践は確実に。複雑な基礎知識がなくても、過去問題を中心に、試験に必ず出るポイントだけを集中的に学習します。

下落相場でも大きな利益を上げたいと思いませんか？ 自動取引に興味はあるものの、コーディング／取引戦略の設計／取引所API／サーバーへのデプロイが障壁となり、始められずにいませんか？ この講座では、Pythonに初めて触れる方でも、ChatGPTとCodexを活用して、売買アイデアを具体的な戦略に落とし込み、バックテストや実運用の自動取引コードとして実装できるように解説します。 PythonとCCXTを活用したBinance先物の自動取引／テクニカル指標戦略／ナンピンのバックテスト／Upbit APIを基盤としたキムチプレミアム戦略を実習します。その後、Telegramを使った通知と注文の安全機能を適用し、完成したボットをGitHubで管理してCloudのサーバーにデプロイします。 LLMにすべての投資判断を任せるのではなく、人が戦略とリスク管理の基準を決定し、LLMを戦略設計／コード作成／エラー解決を支援するアシスタントとして活用します。 講座を最後まで受講した後は、提供されたコードを実行するだけでなく、自分だけの戦略を作成／検証／修正／デプロイできるようになります！

40講義の体系的なカリキュラムを通じて、AIの基礎理論から各アルゴリズムの応用AI技術まで学習します。数学的な直感とRコーディングアルゴリズムの学習および実習を通じて、データ分析、機械学習、およびその応用ツールのアルゴリズムのモデラーを構築し、選択・活用する内容まで、即座に適用可能なAIモデル開発能力を身につけます。

機械学習を学ぶと、精度を上げる方法を身につけます。ところが、そのモデルを実際のチップに載せようとした瞬間、誰も教えてくれなかった疑問が残ります。このモデルは何回乗算を行うのでしょうか？何をどれだけ記憶しておく必要があるのでしょうか？現在目標としているチップの仕様で、その要求に対応できるのでしょうか？ 機械学習の教科書は精度について語り、半導体の教科書は回路について語りますが、その間をつなぐ資料はほとんどありません。私はRISC-V CPUとNPUをFPGAで実装しながら、この隔たりに何度も直面しました。精度が最も高いモデルが、実際にはボードに収まらないという状況です。 本講座では、6つのアルゴリズムをPythonで実際に作りながら、作るたびに乗算、比較、メモリ、精度を測定します。そして、その値を実際のFPGAボードのリソースに換算します。乗算が何回という言い方だけでは規模を推し量れませんが、ボードの何パーセントかと言われれば判断できるからです。 9つのLabを経て6つのモデルを1つの表にまとめると、予想とは異なる全体像が見えてきます。乗算を数えるために9つのLabを費やしたのに、実際に足を引っ張っていたのは乗算ではありませんでした。その後、実数を整数に落とし込み、桁数を管理し、回路を評価する基準まで作ります。 FPGAボードは必要ありません。Pythonだけで進め、ボードは測定値を換算する基準としてのみ使用します。