AI4G
AI for Generalist
AI活用の内製化を実現する
ノーコードAI開発講座
プログラミング未経験社の文系・理系・ビジネスサイドの方でも、GUI上の操作だけで、データ分析やデータ活用に役立つ AI を構築できるようになる講座です。
本講座では、データの可視化や要約統計量の算出から始まり、機械学習や教師あり学習、モデルの評価方法、チューニングまでを網羅的に学びます。
プログラミングの習得にコストをかけ ることなく、自社内でAIプロジェクトの推進者の育成します。
本講座のゴール
カテゴリ | ビジネス力 |
講座名 | AI4G |
講座時間 | 計4日間／1日6時間 |
受講に必要な前提知識の目安と講座時間
こんな方におすすめ
カリキュラム
実践を見据えたカリキュラム設計
Day 01：データサイエンスの実務と本講座の概要
タスク／ハンズオン：
プロジェクトの各ステップと解説する機能の対応
ハンズオンの準備：アカウントのセットアップ (講座の前)、講座用プロジェクトの作成
プロジェクト作成に必要な各種設定設定
Day 02：データの可視化と要約統計量の算出
タスク／ハンズオン：
データセットのインポート
データの前処理
グラフの描画
要約統計量の確認
詳細：
データの種別：数値/カテゴリー、表 / 画像 / 自然言語 / 音声
データの可視化 (それぞれ利用シーンを解説)：折れ線グラフ / 棒グラフ / 散布図 / ヒストグラム / 円グラフ
要約統計量 (それぞれ利用シーンを解説）：平均 / 中央値 / 最頻値 / 分散 / 標準偏差 / 相関係数
データの前処理：欠損値処理、標準化 / 正規化、one-hot / ラベルエンコーディング
Day 03：機械学習 / 教師あり学習
タスク／ハンズオン：データセットのアノテーション
詳細：
機械学習とは？
教師あり学習 / 教師なし学習 (参考的な位置付け)
回帰 / 分類
モデルの検証方法：ホールドアウト法と交差検証法
様々なモデル：線形回帰 / ロジスティック回帰 / 正則化項のある回帰 / 決定木 / k-NN / サポートベクターマシン / ランダムフォレスト / 勾配ブースティング / MLP
モデルのアンサンブル：バギング / ブースティング / スタッキング
データの重要性：データの量・質、アノテーションとは、アノテーションにおけるtips
Day 04：モデルの評価方法とチューニング
タスク／ハンズオン：
モデルの作成：単一モデル、AutoML
モデルの評価
解釈性の可視化
作成したモデルの使用方法，デプロイ
詳細：
リークについて
各種評価指数：RSME / MAE / MAPE / MSLE、混同行列 / precision / recall / F1
評価指標の選択方法
ハイパーパラメータチューニング：ランダムサーチ、グリッドサーチ、ベイズ最適化
解釈性指標：Feature Importance / SHAP
OPTION
扱うモデル/テクニック：受講者の業務課題による
確率
確率分布：正規分布 / 一様分布 / ベータ分布
期待値
中心極限定定理
信頼区間
検定
第一種の過誤 / 第二種の過誤
活用事例
