線形代数学：機械学習、AI、ロボティクス、コンピュータビジョンなど、工学専攻者向けの講義

簡単な例を通して、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）の理論的な動作原理を理解できます。

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。

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。

学生時代に数学を諦めてしまったけれど、これから工業数学に挑戦しようとしている大人の方々に、中学・高校数学の基礎を築いていただくための講義です。

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。

機械学習を勉強したいが統計学的知識が不足している人のための講義です。