LangGraph version 1によるAIエージェント:基礎から応用まで
goodwon5937125
この講義は、ChatGPTが単なる対話型AIから脱却し、実際の業務を遂行する知能型AIエージェントへと発展するすべての過程を扱います。 LangChain、LangGraph、LangSmithの3つの主要フレームワークを活用して、実務ですぐに活用できるAIエージェントを自ら作成します。
初級
AI, ChatGPT, LLM
🧩 複雑な数式や理論中心の説明よりも、 実際にプログラムを実装しながら推薦システムの核心概念を習得することを目標としています。 🛠️ 全12個の多様で実践的な例題を通して、コンテンツベース推薦、協調フィルタリング、ディープラーニング推薦など 実際の環境で活用できる推薦システムを段階的に設計しました。
受講生 387名
難易度 初級
受講期間 無制限
学習した受講者のレビュー
5.0
104gojib2
とても良い内容だと思います。
5.0
Jang Jaehoon
良い講義をありがとうございます!
5.0
알맘
推薦システムについて、基礎から実習まで体系的に学びたいと思い、申し込みました。講義は、推薦システムの基本概念(コンテンツベース、協調フィルタリングなど)から最新のディープラーニングベースの手法まで体系的に構成されており、実際のコード実習も並行して行われたため、理論と実習を同時に習得することができました。特に、Matrix FactorizationやLightFM、ディープラーニングベースの推薦モデルを直接実装する過程が印象深く、Kaggleの実践例は実務に大変役立ちました。講師の方の説明が明確で、実習コードも入念に準備されていたため、負担なくついていくことができました。 推薦システムを初めて学ぶ方や、実務への適用を準備している方に強くお勧めします!
非パーソナライズ推薦アルゴリズムに関する概念および実装
パーソナライズ推薦アルゴリズムに関する概念および実装
非パーソナライズ、パーソナライズアルゴリズムおよび多様性が反映されたレコメンデーションシステムについての動作原理および実装
学習者の理解度を考慮して、講義は基礎概念から徐々に深化する構造で構成されています。
基礎的な統計概念をはじめ、機械学習を活用した応用段階、そしてディープラーニング基盤の高度な推薦技法まで段階的に学習できるように設計しました。
統計からディープラーニングまでのモデル学習はもちろん、ハイブリッド技法と多様性推薦まで組み合わせ、推薦システムの核心戦略を実戦中心として学ぶことができます。
ユーザー Cold Start の問題や過度に似た推奨を避けるなど、実務で実際に遭遇するさまざまな状況に対応できるように構成しました。
実務で頻繁に遭遇する推薦システムの主な問題を深く扱い、現業での適用可能性と問題解決能力を強化しました。
統計ベースの推奨
EDA(Exploratory Data Analysis、ナビゲーションデータ分析)
再生回数に基づくおすすめ
評価ベースのおすすめ
コンテンツベースのおすすめ
BoWベースの推奨
TF-IDFベースの推奨
LLMベースの推奨
機械学習ベースのおすすめ
KNN(K-Nearest Neighbors)ベースのおすすめ
MF(Matrix Factorization)ベースの推奨
ディープラーニングベースのおすすめ
LightGCNベースのおすすめ
SASRecベースの推奨
推奨評価指標
評価予測評価指標
Ranking評価指標
多様性評価指標
Hybrid推奨システム
Cold Startのトラブルシューティング
Multi推奨モデル
ソフトウェア開発者
モール、コンテンツプラットフォーム、トレーニングサービスなど、さまざまなドメインで実際に活用されており、開発者やエンジニアがこれを理解して実装できる場合、製品の競争力を高めることに大きな貢献をすることができます。
データ科学者とデータアナリスト
ログデータ、ユーザーフィードバック、アイテム情報などを統合的に解析してモデリングして評価する能力は、データ専門家としての競争力を一層引き上げます。
マーカティングフェンス
ユーザーの行動データに基づいて個々の顧客に最適な製品やコンテンツを提案することで、コンバージョン率を高め、直帰率を下げ、マーケティングのパフォーマンスを最大化できます。
ChromeブラウザのインストールとGoogleアカウントの作成
インターネット対応PC
練習用ジュピターノートブックファイル
学習対象は
誰でしょう?
推薦システムの原理および実装にご興味のある方
複雑な数式や理論中心の説明よりも、直接推薦システムを実装することに関心がある方
全12の多様で実用的な例を通じて、推薦システムを学びたい方
単純なレコメンドアルゴリズムではなく、多様性が反映されたレコメンドシステムを構築したい方
前提知識、
必要でしょうか?
Python, 初心者でも無理なく理解でき、学ぶことができる言語
Pandas、データを分析し、処理することができるライブラリ
Google Colab、クラウドベースの実習環境(GPUも使用可能)
747
受講生
19
受講レビュー
3
回答
4.9
講座評価
4
講座
こんにちは、講師を務めるチョ・ギョンウォンです。
私は中小企業から大企業まで、さまざまな産業環境でウェブ開発、人工知能(AI)、そしてAWSインフラ構築など、幅広い実務経験を積んできました。
これらの経験を活かし、2022年からはオフラインでAI分野の講義を行い、実務と理論をつなぐ教育を続けています。
全体
25件 ∙ (8時間 59分)
講座資料(こうぎしりょう):
1. 推薦システム講座紹介
03:46
2. 1. 推薦システムとは?
08:51
3. 推薦システム分類
06:23
4. 類似度
06:55
5. 非個別化推薦アルゴリズム
11:50
6. パーソナライズド推薦アルゴリズム
19:26
8. 評価点予測に基づく評価指標
11:52
9. ランキングベースの評価指標
11:07
10. 多様性に基づく評価指標
07:46
全体
7件
4.7
7件の受講レビュー
受講レビュー 1
∙
平均評価 5.0
受講レビュー 1
∙
平均評価 5.0
5
推薦システムについて、基礎から実習まで体系的に学びたいと思い、申し込みました。講義は、推薦システムの基本概念(コンテンツベース、協調フィルタリングなど)から最新のディープラーニングベースの手法まで体系的に構成されており、実際のコード実習も並行して行われたため、理論と実習を同時に習得することができました。特に、Matrix FactorizationやLightFM、ディープラーニングベースの推薦モデルを直接実装する過程が印象深く、Kaggleの実践例は実務に大変役立ちました。講師の方の説明が明確で、実習コードも入念に準備されていたため、負担なくついていくことができました。 推薦システムを初めて学ぶ方や、実務への適用を準備している方に強くお勧めします!
受講レビュー 1,055
∙
平均評価 4.9
受講レビュー 3
∙
平均評価 5.0
受講レビュー 1
∙
平均評価 5.0
知識共有者の他の講座を見てみましょう!
同じ分野の他の講座を見てみましょう!