강의

N
챌린지

멘토링

N
클립

로드맵

College Edu.

/

Mathematics

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

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奥深い線形代数学です。 線形代数学を深く学びたい方におすすめします。 できるだけ分かりやすく説明しながら、テーマを選び、重点を置くことで、深い内容を扱っています。

8名 が受講中です。

難易度 初級

受講期間 無制限

Python
Python
Machine Learning(ML)
Machine Learning(ML)
Deep Learning(DL)
Deep Learning(DL)
Procession
Procession
Python
Python
Machine Learning(ML)
Machine Learning(ML)
Deep Learning(DL)
Deep Learning(DL)
Procession
Procession

受講後に得られること

  • 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線形代数

  • できるだけ簡単な説明から深い理論まで、詳しく。

  • 具体的な例を用い、数学的理論が必要な部分は非常に詳しく説明してください。

多次元データ表現：画像、テキスト、音声などのさまざまなデータは、多次元ベクトルで表現されます。線形代数は、これらの多次元データを扱い、変換するために不可欠です。

画像処理：コンピュータビジョンの分野では、画像は行列として表現されます。行列演算を使用して画像を変換・フィルタリングし、これは畳み込みニューラルネットワーク（Convolutional Neural Network、CNN）で主に使用されます。

線形変換: ニューラルネットワークなどの機械学習モデルは、主に線形変換（行列の乗算）を使用して入力データを変換・処理します。線形代数は、これらの変換を効果的に扱うためのツールを提供します。

行列分解：特異値分解（SVD）や固有値分解などの線形代数的手法は、主成分分析（PCA）などの次元削減手法に使用され、重要な特徴を抽出するのに役立ちます。

最適化問題： 機械学習でよく使用される最適化問題は、線形代数の概念に基づいています。例えば、損失関数を最小化するためのパラメータ更新は、行列微分と勾配降下に関連しています。


上記の内容を学ぶには、多くの時間と努力を費やさなければなりません。すぐに何かを見せようとすると、プログラミングの実装にも多くの時間がかかります。もし大学院に進学して学ぶことになれば、数学でつまずくこともよくあります。

私は数学を専攻し、工学部で何年もの間、工学部の学生たちとともに研究し勉強しながら、どうすれば数学をより易しく、しかも数学らしく学べるかについて、いろいろと考えてきました。

そのため、今回の講義では具体的な例を解き、それを利用して理論を学ぶ方法を採用しました。

そして、内容が多すぎると、始める前から疲れてしまうことも少なくありません。内容はできるだけ分かりやすくしつつ、本当に必要なことをしっかり学べるよう、カリキュラムを作成しました。

忙しくても1日15分から30分、継続的に時間を投資して最後まで受講できるよう工夫しました。

こんな方に
おすすめです

学習対象は
誰でしょう？

  • 機械学習、AI、ロボティクス、コンピュータビジョンなどの工学専攻者

  • 線形代数を深く本格的に学びたい方に強くおすすめします

前提知識、
必要でしょうか？

  • やろうとする意志は必須です

  • 諦めずに、分かるまでコツコツ勉強できる方

こんにちは
jhim21です。

288

受講生

14

受講レビュー

10

回答

4.6

講座評価

7

講座

博士号取得後、5年ほどコンピュータビジョン（Computer Vision）を学び、教える機会に恵まれ、

これまで数学専攻と工学理論を結びつけた研究を続けています。

専門分野（学習分野）

専攻：数学（Topological Geometry）、副専攻（コンピューター工学）

現) 3D Computer Vision(3D Reconstruction) , Kalman Filter, Lie-group(SO(3)),

確率微分方程式（Stochastic Differential Equation）の研究者

現）YouTubeチャンネル運営：イム・ジャンファン：3D Computer Vision

現) facebook Spatial AI KR グループ (数学専門委員)

出身校

ドイツ・キール大学 理学博士 (Topological Geometry & Lie-group 専攻、コンピューター工学 副専攻)

ダヴィット・ヒルベルト（David Hilbert）系数学者

参考:Mathematics Genealogy Project

経歴

前）大成グループ子会社 Doobee Vision CTO

前）中央大学先端映像大学院研究教授（3D Computer Vision研究）

著書:

最適化理論：https://product.kyobobook.co.kr/detail/S000200518524

リンク

YouTube: https://www.youtube.com/@3dcomputervision

ブログ: https://blog.naver.com/jang_hwan_im

 

 

 

 

 

 

もっと見る

カリキュラム

全体

35件 ∙ (8時間 33分)

講座資料（こうぎしりょう）:

授業資料
講座掲載日: 
最終更新日: 

受講レビュー

まだ十分な評価を受けていない講座です。
みんなの役に立つ受講レビューを書いてください！

jhim21の他の講座

知識共有者の他の講座を見てみましょう！

カルマンフィルター2：EKF（拡張カルマン）、UKF（アンサンテッド・カルマン）、Particle Filter（パーティクルフィルター）講義サムネイル

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

jhim21

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。

中級以上

中級以上

Python, Linear Algebra, kalman-filter

カルマンフィルター2：EKF（拡張カルマン）、UKF（アンサンテッド・カルマン）、Particle Filter（パーティクルフィルター）講義サムネイル

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

jhim21

AI・機械学習のための確率理論：ベイズ・分布・推定の核心講義サムネイル

AI・機械学習のための確率理論：ベイズ・分布・推定の核心

jhim21

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。

初級

初級

Python

AI・機械学習のための確率理論：ベイズ・分布・推定の核心講義サムネイル

AI・機械学習のための確率理論：ベイズ・分布・推定の核心

jhim21

最適化理論Bible講義サムネイル

最適化理論Bible

jhim21

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。

中級以上

中級以上

optimization-problem

最適化理論Bible講義サムネイル

最適化理論Bible

jhim21

1日10分 1ヶ月完成 最適化理論 1講義サムネイル

1日10分 1ヶ月完成 最適化理論 1

jhim21

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。

初級

初級

optimization-problem, Linear Algebra, Machine Learning(ML)

1日10分 1ヶ月完成 最適化理論 1講義サムネイル

1日10分 1ヶ月完成 最適化理論 1

jhim21

1日10分1ヶ月完成線形代数学講義サムネイル

1日10分1ヶ月完成線形代数学

jhim21

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。

初級

初級

Linear Algebra, Procession, Deep Learning(DL)

1日10分1ヶ月完成線形代数学講義サムネイル

1日10分1ヶ月完成線形代数学

jhim21

カルマンフィルタ 1：カルマンフィルタの正確な数学的原理を例題で理解する講義講義サムネイル

カルマンフィルタ 1：カルマンフィルタの正確な数学的原理を例題で理解する講義

jhim21

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。

初級

初級

Python, MATLAB, Linear Algebra

カルマンフィルタ 1：カルマンフィルタの正確な数学的原理を例題で理解する講義講義サムネイル

カルマンフィルタ 1：カルマンフィルタの正確な数学的原理を例題で理解する講義

jhim21

似ている講座

同じ分野の他の講座を見てみましょう！

1日10分1ヶ月完成線形代数学講義サムネイル

1日10分1ヶ月完成線形代数学

jhim21

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。

初級

初級

Linear Algebra, Procession, Deep Learning(DL)

1日10分1ヶ月完成線形代数学講義サムネイル

1日10分1ヶ月完成線形代数学

jhim21

1日10分 1ヶ月完成 最適化理論 1講義サムネイル

1日10分 1ヶ月完成 最適化理論 1

jhim21

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。

初級

初級

optimization-problem, Linear Algebra, Machine Learning(ML)

1日10分 1ヶ月完成 最適化理論 1講義サムネイル

1日10分 1ヶ月完成 最適化理論 1

jhim21

[Rとする]機械学習のための統計学の基礎講義サムネイル

[Rとする]機械学習のための統計学の基礎

coco

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。

初級

初級

Statistics, R, Machine Learning(ML)

[Rとする]機械学習のための統計学の基礎講義サムネイル

[Rとする]機械学習のための統計学の基礎

coco

開発者のためのディープラーニング講義サムネイル

開発者のためのディープラーニング

kok202

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。

中級以上

中級以上

Machine Learning(ML), Deep Learning(DL), Statistics

開発者のためのディープラーニング講義サムネイル

開発者のためのディープラーニング

kok202

期間限定セール

￥9,898

16%

￥11,877