需要予測・故障検知パック

近頃、FinTechやEdTechなど様々な分野でAIによるデータ分析が取り入れられるようになりました。これは、人間の経験やカンなどに依存しない、より客観性の高い根拠から判断することが可能となるためと言われています。このパッケージでは、時系列解析を通して、需要予測や故障検知など未来のデータを予測するための分析モデルの実装を目指します。

パッケージ内容


・はじめてのAI
  Grow with Googleの「はじめてのAI」講座では、AI に関わる基本知識
  だけでなく、事例や具体的に AI がどのような仕組みで動いているかも
  紹介します。AI の基礎を理解し、AI をどう活用できるかのヒントが
  つかめるように、本講座で学びます。※2

  ※こちらの講座はGrow with Googleの講座です。
  Grow with Google のコンテンツは、すべて Google により無料で公開されているものです。

  
・機械学習概論
  学習の流れやデータの使い方、精度評価の方法などを学べる
  機械学習の入門講座です。


・Python入門

  機械学習で最も使われるプログラミング言語「Python」の基礎を学びます。
  文字の出力、変数の概要、条件分岐、ループなど、「Python」の
  基本的な使い方をマスターしましょう。

・統計学基礎
  データ分析の基礎となる統計学を学べる初学者向けの講座。
  変数とグラフから相関係数までを取り扱います。

ライブラリ「NumPy」基礎(数値計算)
  「Python」のベクトルや行列計算を高速に行うためのライブラリであり
  機械学習を扱う際に必須と言っても過言ではない「NumPy(ナンパイ)」
  の基礎を学ぶ講座です。

ライブラリ「Pandas」基礎(表計算)
  「Python」のデータ分析用ライブラリ「Pandas(パンダス)」の
  基礎を学びます。「Pandas」を用いることで数表や時系列データの
  計算が楽になり、定量データ解析には必須のライブラリです。

・ライブラリ「Matplotlib」基礎(可視化)
  「Matplotlib」というライブラリを用いてデータを可視化する方法を
  学びます。折れ線グラフ、円グラフ、ヒストグラム等の作成から、
  3Dグラフを作成する方法まで学びます。

・機械学習におけるデータ前処理
  Pythonで機械学習を行う際に必要となる様々な前処理を学びます。
  CSVやExcel、DBからのデータの取得、欠損値への対応方法など、
  実務で必須となる前処理をスマートに実装するためのライブラリについて
  コード例を確認しながら習得します。

・教師あり学習(回帰)
  「教師あり学習」とは、正解ラベル付きのデータセットを使って、
  機械学習モデルを作る手法です。その中でも、今回は数値予測を
  行うための「回帰」モデルの扱い方について学びます。

   
・教師あり学習(分類)
  教師あり学習(分類)では、画像や文章などをカテゴリ分けする
  「分類」モデルの手法の紹介やハイパーパラメーターのチューニング
  などについて学びます。


・教師なし学習
  「教師なし学習」とは、正解ラベルが付いていないデータセットを使い、
  機械学習モデルを作る手法です。今回は、クラスタリングや
  主成分分析といったアルゴリズムの手法について学びます。

・ディープラーニング基礎
  深層学習(ディープラーニング)のアルゴリズムの詳細と実装の基礎を
  学びます。今回はディープラーニングのなかで最も基礎的なアルゴリズム
  であるDNN(ディープニューラルネットワーク)を用いて手書き文字認識に
  挑戦します。

・データクレンジング
  データクレンジングとは、機械学習モデルにデータを読み込ませるために、
  データの欠損値や画像の前処置を行う手法です。CSVデータの扱い方や
  欠損値の処理、OpenCVを用いた画像加工の方法などを学習します。

・スクレイピング入門
  webページから必要な情報を自動で抜き出す作業を、スクレイピングと
  言います。このコンテンツでは主にBeautifulSoupを用いた
  スクレイピングの手法を紹介します。


・時系列解析(Ⅰ)(統計学的モデル)
  時系列データ解析とは、季節変動や曜日変動など定期的周期を持った
  時系列データの解析を行うためのアルゴリズムです。
  このようなトレンドを除去しながら数値予測を行う手法に挑戦します。


・時系列解析(Ⅱ)(RNNとLSTM)
  深層学習のネットワークである、RNNとLSTMについて学びます。
  深層学習では、時系列データの分析ができませんでした。
  このコンテンツでは、なぜ時系列分析ができなかったのか、
  どのようにして時系列分析ができるようになったのかについて
  理解を深めていきます。



・時系列解析(Ⅲ)(LSTM応用)
  時系列を扱う深層学習のネットワークである、LSTMを用いて、売上予測を
  実装していきます。時系列データの前処理から、ネットワークの構築・予測
  を学習していきます。

パッケージ内容

・はじめてのAI

Grow with Googleの「はじめてのAI」講座では、AI に関わる基本知識だけでなく、事例や具体的に AI がどのような仕組みで動いているかも紹介します。AI の基礎を理解し、AI をどう活用できるかのヒントが つかめるように、本講座で学びます。※こちらの講座はGrow with Googleの講座です。Grow with Google のコンテンツは、すべて Google により無料で公開されているものです。

・機械学習概論

学習の流れやデータの使い方、精度評価の方法などを学べる機械学習の入門講座です。

・Python入門

機械学習で最も使われるプログラミング言語「Python」の基礎を学びます。文字の出力、変数の概要、条件分岐、ループなど、「Python」の基本的な使い方をマスターしましょう。

・統計学基礎

データ分析の基礎となる統計学を学べる初学者向けの講座。変数とグラフから相関係数までを取り扱います。

・ライブラリ「NumPy」基礎(数値計算)

「Python」のベクトルや行列計算を高速に行うためのライブラリ「NumPy(ナンパイ)」の基礎を学びます。「NumPy」を用いることで、効率的な科学技術計算が可能になり、機械学習分野に必須のライブラリです。

・ライブラリ「Pandas」基礎(表計算)

「Python」のデータ分析用ライブラリ「Pandas(パンダス)」の基礎を学びます。「Pandas」を用いることで数表や時系列データの計算が楽になり、定量データ解析には必須のライブラリです。

・ライブラリ「Matplotlib」基礎(可視化)

「Matplotlib」というライブラリを用いてデータを可視化する方法を学びます。折れ線グラフ、円グラフ、ヒストグラム等の作成から、3Dグラフを作成する方法まで学びます。

・機械学習におけるデータ前処理

Pythonで機械学習を行う際に必要となる様々な前処理を学びます。CSVやExcel、DBからのデータの取得、欠損値への対応方法など、実務で必須となる前処理をスマートに実装するためのライブラリについてコード例を確認しながら習得します。

・教師あり学習(回帰)

 「教師あり学習」とは、正解ラベル付きのデータセットを使って、機械学習モデルを作る手法です。その中でも、今回は数値予測を行うための「回帰」モデルの扱い方について学びます。

・教師あり学習(分類)

教師あり学習(分類)では、画像や文章などをカテゴリ分けする 「分類」モデルの手法の紹介やハイパーパラメーターのチューニングなどについて学びます。

・教師なし学習

 「教師なし学習」とは、正解ラベルが付いていないデータセットを使い、機械学習モデルを作る手法です。今回は、クラスタリングや主成分分析といったアルゴリズムの手法について学びます。

・ディープラーニング基礎

深層学習(ディープラーニング)のアルゴリズムの詳細と実装の基礎を学びます。今回はディープラーニングのなかで最も基礎的なアルゴリズムであるDNN(ディープニューラルネットワーク)を用いて手書き文字認識に挑戦します。

・データクレンジング

データクレンジングとは、機械学習モデルにデータを読み込ませるために、データの欠損値や画像の前処置を行う手法です。CSVデータの扱い方や欠損値の処理、OpenCVを用いた画像加工の方法などを学習します。

・スクレイピング入門

webページから必要な情報を自動で抜き出す作業を、スクレイピングと言います。このコンテンツでは主にBeautifulSoupを用いたスクレイピングの手法を紹介します。

・時系列解析(Ⅰ)(統計学的モデル)

時系列データ解析とは、季節変動や曜日変動など定期的周期を持った時系列データの解析を行うためのアルゴリズムです。このようなトレンドを除去しながら数値予測を行う手法に挑戦します。

・時系列解析(Ⅱ)(RNNとLSTM)

深層学習のネットワークである、RNNとLSTMについて学びます。深層学習では、時系列データの分析ができませんでした。このコンテンツでは、なぜ時系列分析ができなかったのか、どのようにして時系列分析ができるようになったのかについて理解を深めていきます。

・時系列解析(Ⅲ)(LSTM応用)

時系列を扱う深層学習のネットワークである、LSTMを用いて、売上予測を実装していきます。時系列データの前処理から、ネットワークの構築・予測を学習していきます。


 

 需要予測・故障検知パック お申し込みフォーム


※本日より5日後以降の日にちをご指定ください。