ログイン
このような企業におすすめ
- 会社のDXに向けてIT・AIリテラシーを向上させたい
- IT・AIツールの導入や活用を進めたい
- AIを活用した新しいプロジェクトを立ち上げたい
G検定講座
- 月額
- 3800円(税込)
- 動画数
- 約190本
- 振り返りテスト
- 約360問
- 合計時間
- 約34時間
- テキスト数
- 約190本
- 模擬テスト
- 約160問
実際のオンライン学習画面
Learning screen
G検定講座
カリキュラム
Curriculum
カリキュラム
-
はじめに
チュートリアル
G検定の概要
-
人工知能概論講座
AIの定義
AIの歴史概観
第一次AIブーム
第一次AIブームの終焉①トイ・プロブレム
第一次AIブームの終焉②フレーム問題
第二次AIブーム①エキスパートシステム
第二次AIブーム②知識表現：意味ネットワーク
第二次AIブーム③知識表現：オントロジー
第二次AIブーム④第五世代コンピュータ
第二次AIブーム冬の時代
第三次AIブーム
AIのレベル別分類
探索手法
ボードゲーム①イントロ
ボードゲーム②Mini-Max法
ボードゲーム③αβ法
ボードゲーム④モンテカルロ法
-
機械学習基礎講座
人工知能と機械学習
機械学習の３つの学習方法
教師あり学習①回帰
教師あり学習②分類
教師あり学習③回帰と分類の使い分け
教師なし学習①概要
教師なし学習②クラスタリング
教師なし学習③次元削減
強化学習
３つの学習方法の比較
半教師あり学習
メタ学習
マルチタスク学習
マルチモーダル学習
評価指標①イントロ
評価指標②回帰
評価指標③ 分類：２クラスその１
評価指標③ 分類：２クラスその２
評価指標③ 分類：２クラスその３
評価指標④分類：多クラス
評価指標⑤過学習
評価指標⑥検証手法
評価指標⑦データリーケージ
-
機械学習の具体的手法講座
線形回帰分析
重回帰
データ分布
スケール変換
誤差関数：モデル評価
L2正則化
L1正則化
誤差関数：交差エントロピー
ロジスティック回帰
k近傍法
ナイーブベイズ
ＳＶＭ①マージン最大化
ＳＶＭ②カーネル法
ＳＶＭ③ハードマージン、ソフトマージン
決定木①概要
決定木②ジニ不純度と情報利得
アンサンブル学習
バギング
ブースティング
スタッキング
ハイパーパラメータ
グリッドサーチ
ランダムサーチ
ベイズ最適化
階層的クラスタリング
非階層的クラスタリング
次元削減：主成分分析
次元削減：t-SNE
時系列モデル①概要
時系列モデル②ARモデル
時系列モデル③MAモデル
レコメンデーション①概要
レコメンデーション②協調フィルタリング
レコメンデーション③コンテンツベースフィルタリング
不均衡データ
オーバーサンプリング_アンダーサンプリング
モデルの解釈性（XAI）
代理モデルと解釈手法
LIME
SHAPとシャープレイ値
-
ニューラルネットワーク講座
単純パーセプトロン
線形性と非線形性
多層パーセプトロン
ニューラルネットワーク
勾配降下法
確率的勾配降下法（SGD）
バッチサイズ
バッチ学習とミニバッチ学習
局所最適解
モーメンタム
学習率を調整する手法
誤差逆伝播法
活性化関数（概要）
勾配消失問題
様々な活性化関数
深層学習の問題
内部共変量シフト
バッチ正規化
オートエンコーダ
積層オートエンコーダ
ファインチューニング
実装の工夫（ドロップアウト）
実装の工夫（早期終了）
実装の工夫（重みの初期値）
-
畳み込みニューラルネットワーク講座
画像データの特徴
代表的な画像処理のタスク
ニューラルネットワークと画像データ
畳み込みニューラルネットワークの基本構造
畳み込み処理
プーリング
パディング
特殊な畳み込み（Dilated Convolution と Deconvolution）
データ拡張
転移学習
畳み込みニューラルネットワークの発展形
CNNの最新の手法（NAS、EfficientNet、SENet、mobilenet）
物体検出の概要
セグメンテーションの種類
OpenPose
モデル圧縮（軽量化）
-
系列データのニューラルネットワーク講座
RNNの概要
RNNの学習と問題点
RNNの工夫 スキップ接続とリーキーユニット
RNN進化（ゲート付きＲＮＮ）
LSTMとGRU
RNNの発展形
-
自然言語処理講座
自然言語処理 概要
自然言語処理の前処理 データクレンジング
自然言語処理の前処理 BoW
自然言語処理の前処理 TF-IDF
ベクトル
テキストの数値ベクトル化
分散表現
word2vecとfastText
言語モデル
言語モデルの応用（アテンション）
言語モデルの応用（トランスフォーマー）
言語モデルの応用（BERTとは）
言語モデルの応用（BERTの学習方法）
GPT
-
音声処理のAI講座
音声データとは
音声認識とは
音声データの前処理 A-D変換
音声データの前処理 フーリエ変換とその応用
WaveNet（ウェーブネット）とは
WaveNetの技術
-
強化学習講座
強化学習 概要と用語
状態
報酬
行動の選択 方策
行動の選択 価値
行動の選択 バンディットアルゴリズム
Q学習とDQN
AlphaGo
-
生成モデル講座
生成モデルとは
AE・VAE
GANとは
大規模言語モデルとChatGPTの仕組み
プロンプトエンジニアリング
-
AIと社会講座
AIと社会問題（顔認識AI）
AIと社会問題（ディープフェイク）
AIと社会問題（Tayの暴走）
生成AIの利活用とリスク
AIのビジネス活用
AIプロジェクトの進め方
AIソフトウェアの開発・利用契約
国内外のAIガイドライン
EUの政策
モビリティ
データの収集（良いデータとは）
データの収集（データの収集方法と利用条件）
個人情報とプライバシー
匿名加工情報
知的財産権
特許制度
AIと著作権その1
AIと著作権その2
不正競争防止法
AIガバナンス
開発環境（Pythonの概要）
セキュリティ
プロダクトを考える
ディープラーニングの産業への応用１
ディープラーニングの産業への応用２
よくあるご質問
FAQ
- スマートフォンにも対応していますか
- 対応しています
- 導入したいのですがどうしたらいいですか
- 問い合わせフォーム（https://eduleap-online.jp/contact/）からお問い合わせ下さい
- 合計学習時間はどのくらいですか
- およそ34時間となっています
- 前提知識はどれくらい必要ですか
- 高校レベルの基礎学力があれば、数学やプログラミングなどの前提知識は必要ありません
- 試験の難易度はどれくらいですか
- 合格率は55~60%前後です。多肢選択式の問題が中心のため、本講座で基礎をしっかり理解していれば、比較的取り組みやすい検定試験となっています。
