機械学習の基礎から学びます。scikit-learnでモデルを構築・評価し、アンサンブル学習をマスターし、PyTorchでディープラーニングにスケールアップします。
機械学習の基礎から学びます。scikit-learnでモデルを構築・評価し、アンサンブル学習をマスターし、PyTorchでディープラーニングにスケールアップします。このトラックは、初心者レベル（A1）から上級レベル（B2）まで、30の段階的なミニコースをカバーしており、短く焦点を絞ったレッスンと各概念を定着させるクイズが含まれています。
基礎から始めて、中級から上級のトピックまで段階的に進みます。各コースは前のコースに基づいて構築されます。すべてのレッスンは実践的で、実例を交えており、必要に応じてAIチューターが利用可能です。
各コースは4つの焦点を絞ったレッスンに分割されています。1日に数レッスン完了すれば、数か月ではなく数週間でフルトラックをマスターできます。
AIを活用したツールと機能で学習をパワーアップ
Machine Learning Academyラーニングパスのすべてのコース
機械学習とは何か、従来のプログラミングとどのように異なるのかを学びます。3つの主要な学習パラダイムを理解し、さまざまな業界で機械学習が問題解決に使われている実例を見ていきます。最後には、与えられた問題に適した機械学習の種類を判断できるようになります。
Anaconda、Jupyter、科学計算向けPythonの基本的なライブラリ群を使って、プロフェッショナルな機械学習開発環境を構築します。NumPyで配列を、Pandasでデータフレームを扱い、あらゆるデータセットを読み込み、確認し、クリーニングする方法を学びます。このコース…
最初の予測モデルをゼロから訓練し、教師あり学習の直感を身につけます。線形回帰がデータに最もよく適合する直線を求める仕組みと、未知の値をどの程度正確に予測できるかを定量化する方法を学びます。最後には、scikit-learnを使った実際に動く住宅価格予測モデルを完成させます。
数値の予測から、カテゴリの予測へ進みます。最初の分類器としてロジスティック回帰を学び、シグモイド関数が線形スコアを確率に変換する仕組みを理解します。メールをスパムかどうかに分類し、単純な正解率だけに頼らず結果を評価します。
モデルを訓練データ自身で評価すると、結果が過度に楽観的になる理由と、適切なデータ分割でそれを防ぐ方法を学びます。訓練データとテストデータの分割を身につけ、過学習の特徴を理解し、このトラックの今後の評価に必要な考え方を身につけます。
生データがそのままモデルに使えることはほとんどありません。欠損値があり、スケールは大きく異なり、カテゴリ文字列はエンコードする必要があります。このコースでは、乱雑な入力を、scikit-learnのどの推定器でも扱えるクリーンな特徴量行列に変換する体系的なツールを学びます。
最も直感的な分類・回帰アルゴリズムの1つを学びます。新しい点に最も近いk個の近傍の多数決によって、その点のラベルを予測します。kの値と距離指標が決定境界に与える影響や、KNNが有効な場面と苦手な場面を理解します。
決定木は、はい・いいえで答えられる質問によってデータを分割し、可視化しやすく、技術者以外の関係者にも説明しやすいフローチャートを作ります。Gini不純度と情報利得を使って最適な分割を選ぶ仕組みと、過学習を防ぐために木を剪定する方法を学びます。
Naive Bayesは、強い条件付き独立の仮定のもとでベイズの定理を適用するため、高次元のテキストデータを非常に高速に処理できます。スパムフィルターを構築し、bag-of-wordsによるベクトル化でテキストを数値に変換する方法を学び、単純な独立性の仮定が驚くほど有効な場面を…
クラスの偏りがある場合や、誤分類のコストが異なる場合、正解率だけでは誤解を招きます。ROC-AUC、適合率・再現率曲線、平均絶対誤差、RMSEなど、評価に必要な一連の指標を身につけ、ビジネスの実情を反映する指標を常に選べるようになります。
1本の決定木は過学習しやすい一方、多様な決定木からなるフォレストはより高い汎化性能を発揮します。データと特徴量のランダムな部分集合で学習した数百本の木をRandom Forestが集約する仕組みを学び、さらにバギングや投票アンサンブルへと発展させます。
SVMは、クラスを分離する最大マージンの超平面を見つけることで、理論的に強い汎化性能を実現します。カーネルトリックによって無限次元空間の非線形な境界を扱う仕組みを学び、実際のデータセットに合わせてCとgammaのパラメータを調整します。
勾配ブースティングは、弱学習器を順番に訓練し、それぞれが直前の学習器の残差誤差を修正することで、表形式データにおいて最先端の性能を実現します。Kaggleの優勝ソリューションを支えるXGBoostとLightGBMを使いこなし、効率的に調整する方法を学びます。
1回の訓練・テスト分割では、データ分割の偶然の影響によって判断を誤ることがあります。交差検証では複数の分割結果を平均することで、より信頼性の高い推定ができます。また、グリッドサーチとランダムサーチを使い、データリーケージを起こさずに最適なハイパーパラメータを探せます。
どのアルゴリズムを使うかにかかわらず、特徴量の質がモデル性能の上限を決めます。変換、交互作用、ドメイン知識を活用して生データから有益な新しい特徴量を作成し、自動選択手法でノイズを取り除く方法を学びます。
クラスタリングは、ラベルなしでデータ内の自然なグループを見つける教師なし学習です。球状のクラスタに適したK-Meansと、任意の形状のクラスタや外れ値検出に適したDBSCANを使いこなし、正解データがない場合にクラスタの品質を評価する方法を学びます。
高次元データは可視化が難しく、学習を遅くする冗長な特徴量を含んでいることもあります。PCAは分散を保ちながら情報を直交成分に圧縮し、t-SNEは探索用に2次元へ写像します。それぞれの使いどころと、削減後の特徴量を後続モデルに入力する方法を学びます。
Scikit-learnのPipelineは前処理とモデリングの手順を1つのオブジェクトにまとめ、データリーケージを防ぎ、デプロイを簡単にします。開発環境から本番環境までスムーズに移行できる、完全なパイプラインの構築、交差検証、シリアライズを学びます。
不正検出や医療診断などの重要な用途では、片方のクラスが全サンプルの1%未満になることもあります。このようなデータで学習すると、少数クラスを完全に無視したまま、正解率だけが不自然に高くなることがあります。リサンプリング、クラス重み付け、閾値調整の戦略を学び、実際に機能するモデルを…
Jupyter notebookの外にある新しいデータに対して予測できて初めて、モデルは役に立ちます。scikit-learnのパイプラインを保存してバージョン管理し、FastAPIによる最小限のREST APIの背後で提供する方法を学びます。また、本番環境でモデルを健全に保つ…
PyTorchは、研究と本番環境の両方で広く使われているディープラーニングフレームワークです。テンソルの基本から最初のフィードフォワードニューラルネットワークを構築し、勾配計算のためのautogradを理解し、MNISTの数字分類器を訓練してディープラーニングを実践します。
優れたアーキテクチャは成功の半分にすぎません。ネットワークが有用な解に収束するかどうかは、学習の動態によって決まります。学習率スケジュール、バッチ正規化、ドロップアウトによる正則化、重みの初期化戦略を身につけ、学習できるネットワークと停滞するネットワークの違いを理解します。
CNNは、局所的な重み共有とプーリングによって画像の空間構造を活用し、パラメータ数を減らしながら位置の変化に対する頑健性を高めます。PyTorchでCNN画像分類器をゼロから構築し、フィルターがエッジ、テクスチャ、高次の特徴を学習する仕組みを理解します。
時系列、テキスト、音声などのシーケンシャルデータには、通常のフィードフォワードネットワークでは扱えない時間的な依存関係があります。RNNは共有重みを使ってシーケンスを1ステップずつ処理し、LSTMはゲート機構によって長期依存を捉えながら、勾配消失問題を回避します。
大規模なネットワークをゼロから訓練するには、膨大なデータセットと計算資源が必要です。転移学習では、何百万ものサンプルで事前学習したモデルの重みを再利用し、ラベル付きデータと訓練時間を大幅に減らしながら、特定のタスクで高い精度を実現できます。
BERTの双方向Transformerアーキテクチャは、前後両方向の文脈を理解し、ほぼすべてのNLPベンチマークで従来の逐次モデルを上回ります。Hugging Face Transformersライブラリを使い、最小限のコードで事前学習済みBERTモデルを感情分析向けにファイン…
MLOpsは、機械学習の研究と信頼性の高い本番ソフトウェア開発をつなぎます。MLflowによる実験管理、Dockerによる再現可能な環境、GitHub Actionsによる自動再学習パイプラインを学び、モデルを監査可能で再現性があり、常に最新の状態に保ちます。
現実世界が学習時の条件から変化すると、本番環境のモデルは気づかれないまま劣化します。予測分布を監視し、データドリフトと概念ドリフトを早期に検出し、ユーザー体験が低下する前に再学習のタイミングを知らせるアラートパイプラインを構築する方法を学びます。
採用、融資、医療などで機械学習システムが重大な意思決定を行う現在、モデルの挙動を理解し監査することは、倫理的な責務であると同時に、多くの地域で法的要件にもなっています。SHAP、LIME、公平性指標を学び、モデルを解釈可能で信頼できるものにします。
このトラックで学んだすべてのスキルを、1つの完全なプロジェクトに集約します。実際のデータセットを取得してクリーニングし、特徴量を設計し、複数のモデルを学習・チューニングして評価・比較します。その後、最適なモデルをデプロイ可能な形にパッケージ化し、ドキュメントを作成します。この総…
はい。Machine Learning Academyコースは無料で始められ、インタラクティブレッスンをすべて無料で完了できます。オプションのPRO登録で、高度なAIツールと共有可能な認定資格がアンロックされます。
いいえ。コースは基礎から始まり、より高度なトピックへと進むので、PYTHONの事前経験がなくても始められます。
実践しながら学びます。短いインタラクティブレッスンは、わかりやすい説明と、リアルタイムで実行される実践的なコード演習が組み合わさっており、24時間対応のAIチューターがわからないときにいつでもサポートします。
はい。PRO学習者は試験を受けて、Machine Learning Academyコースの完了を証明する共有可能な認定資格を取得できます（認証コード付き）。
はい。CoddyKitはウェブとネイティブiOS・Androidアプリで利用でき、どのデバイスでもPYTHONを学習でき、進捗がすべてのデバイスで同期されます。