カルマンフィルタ 2: EKF(拡張カルマン)、UKF(アンセンテッドカルマン)、Particle Filter(パーティクルフィルタ)

機械学習、AI、ロボティクス、コンピュータビジョンなど、工学専攻者のための深みのある線形代数学です。 線形代数学を深く学びたい方に推奨します。 可能な限り分かりやすく説明しながら、テーマの選択と集中を通じて深い内容を扱っています。

AIや機械学習の学習において、確率論の習得は必須です。より深く確率論を学びたい方に推薦します。

すべてのAI/ディープラーニングの核心は結論的に最適化です。もちろんAI/ディープラーニングでのみ最適化理論が必要なわけではありません。コンピュータビジョン、ロボティクス&制御システム、金融工学&クオンツ、データサイエンス、信号処理...おそらくどの分野を学んでも、もう少し深く入っていくと必ず出会うテーマの一つが最適化理論です。この講義では数学的な基礎理論から始まって深みのある内容まで体系的に扱っています。国内に開設された最適化理論講義の中で断然最高だと思います。

AI/ディープラーニング、コンピュータビジョン、コンピュータグラフィックスなどに必要な最適化理論です。最適化理論1では、主に多変数関数の定義と多変数関数の微分を扱っています。なぜでしょうか！すべての最適化問題は多変数関数の形式で表現されるからです。正確な多変数関数の定義と微分の概念を習得すれば、上記の分野の理論的アプローチが非常に容易になります。

AI/ディープラーニングに必要な線形代数の内容を1日10分投資して1ヶ月完成でマスターしてみましょう。

簡単な例を通じて、カルマンフィルタ（Kalman Filter）の理論的な動作原理を理解することができます。

本コースは、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コースです。機械学習と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。本コースを通じて、人工知能に必要な基礎数学を段階的に身につけることができます！

このコースでは、複素関数、微分方程式、線形代数を深く掘り下げ、これらの不可欠な数学的概念を包括的に理解することができます。学習者は、数学や工学の高度な研究に不可欠な基礎理論とその応用について探究します。

このコースは、コンピュータサイエンスと工学のための離散数学をインタラクティブに紹介します。学習者は、基本的な数学的概念、離散構造、離散確率論を学び、これを通じてコンピュータサイエンスのさまざまな分野に応用できる能力を養います。

ゲームで使用される重要な数学の概念を分かりやすく学ぶ講座です。数学に精通している人はその知識を当然のものと考えてしまうため、全く知らないという前提で教えることができません。 本講座では、本当に非専門家であると考え、初心者の視点から説明します。

実習よりも理論と文脈に重点を置き、ディープラーニングを深く整理して全体像を把握したい方に役立つ講義です。ディープラーニングの根幹となる数学的・統計的背景を分かりやすく理解できるほか、AutoEncoder、GAN、Transformer、AlphaGoといった現代の主要モデルの原理を、開発者の視点から直感的に解説します。