강의

멘토링

커뮤니티

NEW
AI Technology

/

Deep Learning & Machine Learning

開発者のためのディープラーニング

実習よりも理論と文脈に集中し、ディープラーニングを深く整理して大きな絵を掴み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・統計的背景を分かりやすく理解でき、現代ディープラーニングの主要モデルであるAutoEncoder、GAN、Transformer、AlphaGoなどの原理を開発者の観点から直感的に解釈いたします。

23名 が受講中です。

  • kok202
AI
딥러닝
통계
딥러닝모델
인공지능
Machine Learning(ML)
Deep Learning(DL)
Statistics
Probability and Statistics

受講後に得られること

  • ディープラーニングのための確率統計

  • ディープラーニングの観点から見るLikelihood、確率、統計モデル

  • 統計的学習理論(SLT: Statistical Learning Theory)

  • AutoEncoder、VAE、AlphaGo、Transformer

  • ディープラーニング主要モデルの動作原理と誕生背景

対象読者 🎯

AI時代に備えたい方

Copilot、Cursor AIのようなツールのおかげで、開発者にとってAIは確実に大きな助けになっています。しかし同時に脅威でもあります。人工知能時代に備える開発者は、どのような内容を学んでおけばよいでしょうか?私の悩みと答えを講義に込めました。

ディープラーニングを深く理解したい方

毎回聞く人工知能講義はすべてLLM活用講義ばかりで飽きませんか?APIを使えるようになったからといってAI開発者になるわけではないでしょう。ディープラーニング自体をより深く学習したい方々にこの講義が役立つことができます。

このように変わります。

  • ディープラーニングの数学・統計的背景と核心理論を体系的に理解できます。

    • 膨大な確率・統計の内容の中から、正確に必要な内容だけを集中的に学習できます。


  • ディープラーニングの主要モデルの原理を、単純な構造ではなく、文脈と歴史的背景の中で解釈することができます。

  • 現代人工知能の発展史に関する基本的な背景と歴史を理解できるようになります。

    • 機械学習以前に確率・統計モデルが存在していたことを理解できるようになります。

    • 機械学習モデルが統計モデルであることを理解できるようになります。

オリジナルカリキュラム 📝

ありきたりではない内容

FCNN、CNN、RNNといったテーマは、実際にすでに整理された数多くの資料があり、無料で公開されている質の高い講義も簡単に見つけることができます。そのため、この講義は単に概念を羅列するだけでなく、「なぜこのような概念が登場したのか(Why?)」という質問に焦点を当てました。これにより、ディープラーニングを一度学習したことがある方々にも得るものがあるよう、多くの努力を注ぎました。

ストーリー中心で展開する講義

「情報エントロピー」という用語が実は特に意味もなく付けられた名前だということをご存知でしたか?歴史を知ることで文脈を把握でき、これを通じてより立体的に理解できる内容が多くあります。講義全般にわたって歴史的背景と文脈を添えて説明することで、退屈せずに深みのある学習体験を提供しようと努めました。

統計を扱うディープラーニング講義

ディープラーニングのルーツは確率と統計から出発する場合が多いため、これを知ることが非常に重要です。しかし、実際に確率、統計を勉強しようとすると、膨大な学習量と統計を扱うディープラーニング講義が多くないため、容易ではないのが現実です。この講義は、このような困難を解消できる数少ない講義です。ディープラーニングを理解するのに必要な核心的な背景知識を中心に集中整理した講義です。

3000枚分のスライド

すべての講義内容を、研究者たちが抱えていた悩みや疑問から始め、その問題をどのように解決していったのか、そのプロセスを説明する方式で構成しました。そして、この流れを受講生の皆さんに十分にお伝えできるよう、講義資料も段階的に構成し、そうして準備されたスライドは約3,000枚に達します。単に情報を伝えるだけでなく、皆さんが概念を本当に理解できるよう、最善を尽くしました。

基礎から確率統計、最新モデルまで 📈

第1部. ディープラーニング概要

パーセプトロン、レイヤー、活性化関数、損失関数、最適化、正規化、初期化など、ディープラーニングの核心概念を説明します。単純な概念説明よりも、各概念が登場するようになった歴史的背景に焦点を当て、文脈と深みを加えました。シグモイド関数の起源、クロスエントロピーの導出、Adamの数式解釈など、既存の講義ではあまり扱われないオリジナルコンテンツを多数準備しました。

ディープラーニング概要

第2部. ディープラーニングのための確率統計

回帰、確率分布、ベイズの定理、likelihood、統計的学習理論(SLT)など、ディープラーニングの根幹となる数学・統計を扱います。膨大な確率統計の内容を専攻者レベルの深さで理解するよりも、ディープラーニングを理解するために必要な必須背景知識を中心に集中的にまとめました。

ディープラーニングのための確率統計

3部. 現代ディープラーニングモデル分析

AutoEncoder、VAE、GAN、Diffusion、ResNet、Transformer、AlphaGoなど、代表的なディープラーニングモデルの原理と登場背景を説明します。
実習の代わりに、モデルがどのように発展してきたか、どのような意味と限界があるのか、文脈を中心に理解できるように構成しました。

現代ディープラーニングモデル分析

開発者として成長するために
お手伝いしたいです!

現在カカオで働いており、作ることが好きで退勤後もいつも何かを開発しています。「巨人の肩の上に立つ小人」という言葉があります。私もまた一介の小さな小人に過ぎませんが、乗った巨人の成長に役立てるよう知識の継承のために努力しています。多数のジュニア開発者の方々をメンタリングした経験があるので、皆さんの成長をお手伝いできると思います。

Github / Blog
✅ 現カカオバックエンドエンジニア
✅ 公開SW開発者大会2020一般部門金賞:情報通信産業振興院長賞受賞
✅ 書籍出版 Java/Spring開発者のための実用主義プログラミング
✅ Inflearn講義 Java/Springジュニア開発者のための誤答ノート
✅ Inflearn講義 Java/Springテストを追加したい開発者たちの誤答ノート

ご案内

講義第3部は現在、仮編集版としてアップロードされています。今後、字幕と音響が編集された再編集動画がアップロードされる予定ですので、受講の際にご参考ください。

Q&A 💬

Q. 非専攻者でも受講できますか?

このコースは元々、ディープラーニングを一度でも学習した経験があり、さらにレベルアップを望む方々を対象に企画されました。しかし、コースを構成する過程で、私が伝えたい内容を十分に説明するためには、かなりの事前知識が必要だという事実に気づきました。そこで、コース内容を基礎から体系的に整理する方向に変更し、その結果、現在のコースはディープラーニングを初めて学ぶ方や非専攻者でもしっかりついてくれば理解できるコースになったと思います。

ただし、すべての非専攻者が同じ開発スキル、数学的背景知識を備えているわけではありません。そして人工知能に対する理解度もすべて異なります。これは専攻者も同様です。誰かは学部時代に人工知能の授業を受けたことがあるでしょうし、また誰かは関心がなくて受けなかったでしょうから。

したがって、受講を検討されている方々が参考にできるよう、以下のような簡単なフィードバックを得てきました。様々な環境にいる専攻者、非専攻者を対象にオフライン講義を行い、以下のようなフィードバックを得ました。受講を検討されている方々は、以下の内容と事前知識、注意事項を必ず確認し、無料講義をまず受講してみた後、受講するかどうかを決定していただきますようお願いいたします。

  • 事例1. コンピュータ工学科専攻、キャリア3年目、ディープラーニングの背景知識無


    思ったより難しかったです。確かに初心者向けの講義ではないようです。内容自体はとても満足でした。


  • ケース2. コンピュータ工学専攻、キャリア5年目、ディープラーニングの背景知識有


    ディープラーニング関連で知っていると「勘違い」していた内容が多かったことに気づいた。初めて見る内容が多い。違うと感じた。

  • 事例3. 純粋美術専攻(開発者転向)、キャリア3年目、ディープラーニングの背景知識無し
    数学関連の背景知識がなくて内容が難しかった。メッセージは理解できた。内容自体が面白かった。

  • 事例4. 電子電気工学専攻、キャリア5年目、ディープラーニングの予備知識なし
    ボリュームが大きいと感じた。内容は難しかったが、難しくならざるを得ない内容だと思った。



Q. 実習の比重はどのくらいで、講義が終わったらどのレベルまでできるようになりますか?

残念ながら、この講義は直接実行できるサンプルコードや、コードを書き写しながら動作過程を一つ一つ確認する方式では進行されません。私は単に他人が書いたコードをそのまま書き写すことは学習効果が大きくないと考えています。それよりも、なぜこのような方法が登場したのか、どんな問題を解決しようとしたのか、他のアプローチとは何が違うのかを理解することがはるかに価値があると考えているからです。

また、受講生ごとに使用するデバイスやOSが異なり、ディープラーニングフレームワークもTensorFlowやPyTorchをはじめ、様々なものが存在します。さらに、フレームワークはバージョンが変わるたびにインターフェースが大きく変わることが多いです。このような理由から、この講義は特定のコードや環境に合わせた実習を提供するよりも、その背後にある考え方と原理に集中する方式を選択しました。

個人的には、AIモデラーになることが目標だったり、フレームワークの使い方が気になる方は、講座を受講するよりも公式ドキュメントを参考にしながらモデルを直接作ってみて試行錯誤を経験する方が、より効果的な学習方法だと思います。

Q. このコースは就職、転職、研究に役立ちますか?

私も学部時代に人工知能の授業を受けた者として、この講義で扱う内容は学部レベルを超えるディープラーニングの知識を含んでいると判断します。そのため、研究者を志望する受講生の皆さんにとって、この講義は必ず役に立つはずです。

さらに、人工知能の面接を準備している方にも役立つ可能性があります。この講義は面接で出題される可能性のある原理的な概念とモデルの原理を扱っているためです。しかし、就職という関門の特性上、膨大な内容をすべて学習するよりも予想面接質問を集中的に勉強する方がより役立つ可能性があります。そのため、正直な考えとして、短期間で就職の勉強をしなければならない学生にとって、この講義は大きな助けになりにくいと思います。

人工知能の面接を準備している学生なら、むしろ以下のGitHubリポジトリを参考にして内容を整理することをお勧めします。

受講前の参考事項

学習資料

  • 約3000枚分のPPT


前提知識と注意事項

  • 本講義を効果的に受講するためには、以下のような基礎知識が求められます。

    • プログラミング基礎知識

    • 大学レベルの基礎数学(二次関数の微分ができること)

    • 線形代数学の基礎(行列の乗算ができる必要がある)

  • ディープラーニングの基礎から始まる講義ですが、基本的な知識がある状態で受講するとより良いです。

  • この講義は理論講義を標榜しているため、実習が含まれない講義です。

  • 無料講座を先に受講してから購入するかどうかを決めることをお勧めします。

こんな方に
おすすめです

学習対象は
誰でしょう?

  • ディープラーニングの主要モデルの動作原理と誕生背景を段階的に理解したい方

  • 単なる概念説明ではなく、ディープラーニングの理論的背景と文脈を理解したい方

  • ディープラーニングを理解するために、統計学の勉強が必要だと感じている方

  • 膨大な確率統計の内容の中で、人工知能のために本当に必要な内容だけを学習したい方

  • クロスエントロピーを導出してみたい方

  • ディープラーニングをより深く理解したい方

前提知識、
必要でしょうか?

  • プログラミング基礎知識

  • 大学数学基礎

  • 線形代数学

こんにちは
です。

3,582

受講生

269

受講レビュー

47

回答

4.9

講座評価

3

講座

  • (현) 카카오 백엔드 엔지니어
  • (수상) 🏆 공개 SW 개발자 대회 [2020 일반부문 / 금상_정보통신산업진흥원장상] 

 

현재 카카오에서 일하고 있고, 만드는 것을 좋아해서, 퇴근 후에도 항상 무언가를 개발하고 있습니다.

"거인의 어깨 위에 선 난쟁이"라는 말이 있습니다. 저 역시 한낱 작은 난쟁이일 뿐이지만, 올라탄 거인의 성장에 도움이 될 수 있도록 지식의 대물림을 위해 노력하고 있습니다. 다수의 주니어 개발자분들을 멘토링 한 경험이 있어서 여러분의 성장을 도와줄 수 있을 거예요. 

 

깃허브 > https://github.com/kok202
블로그 > https://kok202.tistory.com

カリキュラム

全体

32件 ∙ (9時間 27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!

期間限定セール

¥23

50%

¥7,364

kok202の他の講座

知識共有者の他の講座を見てみましょう!

似ている講座

同じ分野の他の講座を見てみましょう!