AIをシステムに実装する際に必要な知識を身に付けよう！

　機械学習システムの開発は通常のシステム開発に比べ、前処理やアルゴリズムの選定、モデルのチューニングなど性能向上のための試行錯誤を前提とするため、プロセスをまたいだ手戻りが発生しやすいという性質をもっています。そのため、各プロセスでは何を行うべきか、またあるプロセスで満足のいく結果が出なかったときにどのプロセスまで戻るべきかといった進め方をしっかりと把握し、開発工数を適切に管理することが重要となります。
　本講座では、ものづくり分野のAI実装の概要を理解し、実践に活かせるような知識を身につけられるよう、実際にデータセットを用いて機械学習のアルゴリズムを試しながら学習を進めていきます。

• ものづくりの分野におけるAI実装の概要を理解します。
• 機械学習の分野に必要となる、線形代数、確率統計、微分の知識を身につけます。
• 実際にデータセットを用いて機械学習のアルゴリズムを試すことにより、基本的な概念を理解します。
• AI分野で多く使われている言語であるPythonと、Anacondaを利用したプログラミング環境を前提としてAI実装を学びます。パソコンで実際に体験しながら身につけます。
• Pythonのライブラリとして、NumPy、pandas、Matplotlib、scikit-learn、LightGBM、TensorFlow、Kerasを扱います。
• 画像認識、物体検出、異常検知を通して、より実践的な機械学習のプロセスを体験します。

• テキスト：１冊（電子ブック対応）
• レポート回数：３回（Web提出可）
• データダウンロードサービス

No.	主　な　項　目
1	第１章　人工知能／機械学習／ディープラーニング概要 人工知能とは　　 機械学習とは　　 ディープラーニングとは 第２章　機械学習の基礎知識 機械学習の基礎知識　　 機械学習のワークフロー 機械学習モデルの誤差と評価　　 機械学習における注意点 第３章　Python入門 Python概要　　 環境構築　　 Pythonプログラミング 第４章　Pythonの基本ライブラリ NumPy　　 pandas　　 Matplotlib 第５章　線形代数 線形代数　　 ベクトル同士の足し算・引き算 ベクトルの掛け算　 ベクトルのノルム 行列の足し算・引き算　　 行列の掛け算 逆行列　　 線形変換
2	第６章　確率統計 確率統計　　 事象と確率　　 確率変数と確率分布 確率の加法定理と条件付き確率　　 期待値と分散 相関係数　　 推定 第７章　微分 微分　　 関数　　 極限　　 微分法 いろいろな関数の微分法　　 偏微分 第８章　機械学習の代表的なアルゴリズム 回帰分析　　 サポートベクターマシン（SVM）　　 決定木 勾配ブースティング決定木　　 ロジスティック回帰 k-meansクラスタリング　　 主成分分析 第９章　ディープラーニングの代表的なアルゴリズム DNN　　 CNN　　 RNN、LSTM、Attention 誤差逆伝播法 第10章　Pythonの機械学習用ライブラリ scikit?learnの概要　　 回帰分析　　 SVM　　 決定木 ロジスティック回帰　　 k-meansクラスタリング 主成分分析　　 勾配ブースティング決定木
3	第11章　Pythonのディープラーニングライブラリ TensorFlowとKerasの概要　　 DNN　　 CNN　　 RNN 第12章　画像認識／物体検出／異常検知（画像）CNN データセットの紹介とダウンロード方法 画像認識　　 異常検知 第13章　時系列異常検知 時系列異常検知タスク　　 特徴量分析　　 異常検知の実装