
Pythonで始まるデータ分析(データ分析のためのPython文法からデータ収集、前処理、ナビゲーションまで)
ilifo
¥4,267
入門 / Python, Numpy, Pandas, Seaborn, Matplotlib
4.7
(10)
NumpyとPandasの基礎からデータの前処理、可視化、クロールまで一度に!データ分析のためのPython入門講義です。
入門
Python, Numpy, Pandas
機械学習&ディープラーニングの基礎から確実に! Pythonに分類/回帰/クラスター/人工ニューラルネットワークの作成と活用まで
受講生 221名
難易度 初級
受講期間 12か月


機械学習とディープラーニングの概念、機械学習の主なプロセス
機械学習モデルのパフォーマンスを向上させるための方法:前処理、クロス検証、次元縮小、早期学習終了
実習をもとに学ぶ回帰/分類/群集など多様な機械学習モデル
人工ニューラルネットワークの特徴と構成、学習手順
CNNとRNN、画像とテキスト処理のための人工ニューラルネットワーク
パンダスを利用したデータ探索過程でも十分にデータを理解して分析することができますが、データ分析モデルを使用すれば、より高度な数学、統計アルゴリズムを適用してデータ分析を進めることができ、これにより人の経験や直観で発見できなかった新しい分析結果を得ることができます。私たちがよく機械学習、ディープラーニングと呼ぶのがデータ分析モデルであり、サイケラン(sklearn) 、テンソルフロー(TensorFlow) 、ケラス(Keras)がデータ分析モデルを作るのに使用する代表的なPythonフレームワークです。
データモデルは、単にパッケージの使い方だけを知っていると、正しく活用することは困難です。データ分析モデルの作成手順とアルゴリズムの主な特徴を理解し、モデルを設計するプロセスが必要です。つまり、さまざまなデータ型(数値型、カテゴリ型、画像、テキストなど)を使用して分析モデルを作成するプロセスの全体的な理解が先行している状態で、特定の目的を果たすアルゴリズムを深く理解する必要があります。
意思決定木(Decision Tree)、
KNN(K Nearest Neighbor)
SVM (Support Vector Machine)
ロジスティック回帰(Logistic Regressor)
ランダムフォレスト
LightBGM
線形回帰(Linear Regressor)
K-Means
基本ニューラルネットワーク(Dense)
畳み込みニューラルネットワーク(CNN、Convolution Neural Network)
循環ニューラルネットワーク(RNN、Recurrent Neural Network)
分類(精度、特異度、感度、精度、...)
回帰(MSE、RMSE、MAPE、結晶係数、...)
群集(シルエットスコア)
クロス検証
スケーリング
次元縮小
アンサンブルモデル
ハイパーパラメータのチューニング
早い学習終了
📌 機械学習、ディープラーニングに初めて接する方のための入門講義です。
📌機械学習プロセスに基づく説明で、モデリングの全体的なプロセスをすばやく把握できます。
📌さまざまな練習の例を使用して、データモデリングの基礎となることができる実用中心のPython講義です。
このレッスンでは、機械学習、ディープラーニングを説明する前に、各モデルのアルゴリズムがどのように流れるかをプロセスに基づいて説明します。そのため、今学ぶ内容が全体のプロセスのどの部分に該当し、なぜ必要なのかを把握することができ、機械学習、ディープラーニングモデルを明確に理解し、大きな流れをつかむまでの時間投資を大幅に減らすことができます。予測アルゴリズムや分類アルゴリズム学習を通じて普遍的に使用できる学習モデルをはじめとして、CNN、RNNなど、複数の機械学習、ディープラーニングモデルについて学び、人工知能の活用に対する自信を得てください。

NumPyとPandas、それから?
Python基礎修了後
何をもっと学ぶべきかわからない
行く道を失った方へ
スワイプマシンラーニング&ディープラーニング

データアナリストを夢見ている方
予測や分類モデルなど
基本モデルから人工ニューラルネットワークまで、
さまざまな分析モデルの
しっかりした理解に基づいて
関心領域を具体化してみてください。

AI、私の仕事で簡単に食べるには?
人工知能、遠い話ではありません。
より高度な数学、統計アルゴリズムを適用して、レベルの高いデータ分析を進めてください。
機械学習&ディープラーニングの主な概念とプロセス
その後、学習の基本となる、機械学習の種類と学習手順について学びます。
様々な機械学習アルゴリズムの実践
回帰/分類/群集など、さまざまなモデルの生成、評価、改善方法を実習で学びます。
人工ニューラルネットワーク構成実習
人工ニューラルネットワークの特徴と学習手順、重みの最適化のための設定方法について学習します。
RNNとCNN
画像処理に優れたパフォーマンスを示すCNN、自然言語、時系列データのためのRNNベースの人工ニューラルネットワークについて学びます。

機械学習プロセスに基づいてそれぞれのモデル特性に合った説明が行われ、見知らぬモデルも各段階で必要なものが何であるかを簡単に把握して活用できます。


練習はグーグルコラボに基づいて行われます。
この講義の機械学習はPythonサイケラン(sklearn)を使ってサンプルコードを作成し、ディープラーニングはケラス(Keras)+テンソルフロー(TensorFlow 2.8.0)を使ってサンプルコードを作成しました。
学習対象は
誰でしょう?
Pythonの基本的な文法は学びましたが、次に何をすべきかわからない人
最近大勢というAIで仕事を楽にしたい方
未来のアルファ高開発者になる方
285
受講生
18
受講レビュー
2
回答
4.3
講座評価
3
講座
ビッグデータ、人工知能分野の教育コンテンツを開発・運営するデータ教育専門企業です。
インスタグラム:https://www.instagram.com/ilifo0182/
YouTube: https://www.youtube.com/channel/UCYqYscK7l_1Z5AT1Of0KUkQ
全体
28件 ∙ (8時間 8分)
講座資料(こうぎしりょう):
4. 問題定義、データ前処理
25:18
5. 学習、評価
18:35
6. 実習 - ワインデータ分類
23:25
8. データに基づいた性能改善方法
10:15
9. 実習 - 交差検証, スケーリング
20:38
10. 演習 - 次元削減
09:22
11. モデルベース性能改善方法
20:38
12. 実習 - 乳がんデータ分類
30:19
全体
8件
3.8
8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
受講レビュー 3
∙
平均評価 5.0
受講レビュー 1
∙
平均評価 3.0
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!
¥4,267

