DIVE INTO CODE
EXPERT AI COURSE

世界で通用する
AIエンジニアへ。

AIコースが目指す、人材育成のレベルについて

GOAL

DIVE INTO CODEでは、Google DeepMindなどトップレベルが求める人材レベルに到達できる学習サービスを目指しています。 もちろん1000時間の学習ではこのレベルまで到底届きませんが、トップレベルAI人材の背中が見えるまでの、いわば高速道路の提供行います。
高速道路の先には、きちんとAIを理解し、実社会にAIを適用できるような能力を身につけられているはずです。



ゴールアドバイザー制度

SUPPORT

DIVE INTO CODEでは、毎月の面談で入校時のゴールが達成できそうか、そうでなければ何が必要かという面談を行い、入校時のゴールをできるだけ達成できるように最大限にサポートできるようにしています。
もちろん1年間の学習で達成できる範囲は限られていますが、最高のサービス提供のため、尽力していきます。



AIコースの特徴

FEATURE

・進化し続けるレベルの高いカリキュラム
・ゴールアドバイザー制度(入校時の目標を達成するために、アドバイザーがサポートします。)
・動画、図解を多用する分かりやすいカリキュラム(動画随時作成中、1テキスト1動画を目指しています。)
・広がり続けるAIコミュニティ
・現役AIエンジニア、機械学習研究室所属大学院生によるメンタリング
・卒業後も学び続けられる環境



AIコースでは、以下の4つの技術について、いずれかを選択し、卒業課題を作成します。すべてを選択することもできますが、1000時間の学習時間では足りないかもしれません。

  • GameAgent

    GameAgentは今、AI技術の中でもっともホットな技術の内のひとつです。

  • 自然言語処理

    人間が日常的に使っている自然言語をコンピュータに処理させる一連の技術です。

  • 画像認識

    画像認識はAIの技術の中で今もっとも研究が進められている分野です。

  • 音声認識

    SiriやAmazonEchoそして、GoogleAssistantなどでお馴染みの技術です。

  • GameAgentは今、AI技術の中でもっともホットな技術の内のひとつです。アルファ碁で有名なDeepMindや、非営利団体のOpenAIもこのGameAgentに、とても力を注いでいます。
    DIVE INTO CODEでは、彼らが作成したライブラリ、DeepMind LabやOpenAI Gym,Universeを使用して、GameAgentの作成を行います。
    GameAgentとは、AIがまるで人間のようにゲームをプレイングするような技術を指しています。例えば、OpenAIがGTAVの自動運転について公開したことは、記憶に新しいのではないでしょうか。卒業課題では、GameAgentの背景・前提知識を学んだ上で好きなゲームを選択し、そのゲームをGameAgentにプレイさせることを目指します。

  • 自然言語処理の応用例のひとつにチャットボットがあります。メッセンジャー(Facebook)、Lineにおけるメッセージアプリを見れば明らかのように、私たちがメッセージアプリに時間を割くことは年々増加しています。自然言語処理を応用した、チャットボットはその流れを増強するものになります。ショッピング・ニュース・株価など、より多くの情報がチャットボットを経由して、取得・発進する日が近づいてきています。DIVE INTO CODEの卒業課題では、元となる最新の論文や、その前提となる基礎のアルゴリズムを学んだ上で、ライブラリやAPIを使用し、独自のチャットボットを作成します。

  • 画像認識が、昨今AIの流行の引き金となっています。画像認識のために、DeepLearningという技術が生まれ、その技術の画像認識の精度の高さにより、AIの流行が始まりました。画像認識は、AIの技術の中で今もっとも研究が進められているといっても過言ではありません。DIVE INTO CODEの卒業課題では、画像認識による、タグの生成や振り分けを行います。自身が画像認識で何を成し遂げたいかを元に、アルゴリズムの選択、データセットの用意、そして画像分類器を作成する予定です。

  • SiriやAmazonEchoそして、GoogleAssistantなどでお馴染みの技術です。但し、音声認識は私たちの声を認識するというタスクを担当しています、会話文を生成するのは音声認識の技術ではありません。
    DIVE INTO CODEの応用プロジェクトの一例として、音声認識技術を使って自作の音声認識アシスタントを作成することができます。(音声の指示で家のライトのON OFFなどを行うなど)音声認識技術の世界事情規模は11兆3,000億円に達する見込みです。(BCCリサーチ社調べ)音声認識技術が発達し、人間の言葉を人間と同じように認識できるようになった時に向けて、今から学び始める必要があります。

  • GameAgent

    GameAgentは今、AI技術の中でもっともホットな技術の内のひとつです。

  • GameAgentは今、AI技術の中でもっともホットな技術の内のひとつです。アルファ碁で有名なDeepMindや、非営利団体のOpenAIもこのGameAgentに、とても力を注いでいます。
    DIVE INTO CODEでは、彼らが作成したライブラリ、DeepMind LabやOpenAI Gym,Universeを使用して、GameAgentの作成を行います。
    GameAgentとは、AIがまるで人間のようにゲームをプレイングするような技術を指しています。例えば、OpenAIがGTAVの自動運転について公開したことは、記憶に新しいのではないでしょうか。卒業課題では、GameAgentの背景・前提知識を学んだ上で好きなゲームを選択し、そのゲームをGameAgentにプレイさせることを目指します。

  • 自然言語処理

    人間が日常的に使っている自然言語をコンピュータに処理させる一連の技術です。

  • 自然言語処理の応用例のひとつにチャットボットがあります。メッセンジャー(Facebook)、Lineにおけるメッセージアプリを見れば明らかのように、私たちがメッセージアプリに時間を割くことは年々増加しています。自然言語処理を応用した、チャットボットはその流れを増強するものになります。ショッピング・ニュース・株価など、より多くの情報がチャットボットを経由して、取得・発進する日が近づいてきています。DIVE INTO CODEの卒業課題では、元となる最新の論文や、その前提となる基礎のアルゴリズムを学んだ上で、ライブラリやAPIを使用し、独自のチャットボットを作成します。

  • 画像認識

    画像認識はAIの技術の中で今もっとも研究が進められている分野です。

  • 画像認識が、昨今AIの流行の引き金となっています。画像認識のために、DeepLearningという技術が生まれ、その技術の画像認識の精度の高さにより、AIの流行が始まりました。画像認識は、AIの技術の中で今もっとも研究が進められているといっても過言ではありません。DIVE INTO CODEの卒業課題では、画像認識による、タグの生成や振り分けを行います。自身が画像認識で何を成し遂げたいかを元に、アルゴリズムの選択、データセットの用意、そして画像分類器を作成する予定です。

  • 音声認識

    SiriやAmazonEchoそして、GoogleAssistantなどでお馴染みの技術です。

  • SiriやAmazonEchoそして、GoogleAssistantなどでお馴染みの技術です。但し、音声認識は私たちの声を認識するというタスクを担当しています、会話文を生成するのは音声認識の技術ではありません。
    DIVE INTO CODEの応用プロジェクトの一例として、音声認識技術を使って自作の音声認識アシスタントを作成することができます。(音声の指示で家のライトのON OFFなどを行うなど)音声認識技術の世界事情規模は11兆3,000億円に達する見込みです。(BCCリサーチ社調べ)音声認識技術が発達し、人間の言葉を人間と同じように認識できるようになった時に向けて、今から学び始める必要があります。

カリキュラム

CURRICULUM

AIコースでは、きちんとAIを理解し、そして実社会での問題にAIを適用できる人材の育成を目指しています。
カリキュラムは、主に以下の流れで学んでいきます。

・コンピューターサイエンス基礎
・データサイエンス基礎
・機械学習
・深層学習
・自然言語処理/音声認識/GameAgent/画像認識
・ポートフォリオ作成
・数学(都度学びます)

コンピュータサイエンス基礎PHASE

このPhaseでは、本格的にAIを学ぶための基礎力を身に着けます。アルゴリズムやデータ構造は、今では軽視されるようになってしまいましたが、 実は基礎力を身につけるために重要な要素の一つでもあります。きちんとプログラミングできるようになることを目指します。
まずは、最低限必要なコンピュータ・サイエンスしか学びませんが、卒業後学べる応用的なコンピュータ・サイエンスの教材も用意する予定です。

  • 人工知能概論(事例編)
  • Python基礎文法
  • 自社サイトを利用した、スクレイピング/クローリング
  • アルゴリズム・データ構造 基礎
  • オブジェクト指向設計基礎
  • Python頻出文法
  • Git/Github
  • Linuxコマンド/シェルコマンド基礎
  • Anaconda

テキスト

人工知能概論(事例編)

人工知能を使った事例を学ぶことで、自分がどのようなことができるのか、今後どのようなことができるのかについて学びます。

Python基礎文法

四則演算・変数・if・リスト・辞書・for・関数などの基礎知識を、アウトプットを交えつつ学習します。プログラミングに慣れることを目指します。

自社サイトを利用した、スクレイピング/クローリング

学んだPython基礎文法を効率良く学ぶには、スクレイピングやクローリングで実際に使用してみるのが最適です。この章では、Pythonの基礎文法の復習とアウトプットを目的にDIVE INTO CODEのサイト上で、スクレイピングとクローリングを行います。

アルゴリズム・データ構造 基礎

学んだPythonの基礎を元に、古典的なアルゴリズムや、人工知能でよく使われるアルゴリズム・その元となったアルゴリズムをPythonで実装することを目指します。この章で、問題解決能力の取得と人工知能を理解するための土台の作成を図ります。

オブジェクト指向設計

Pythonを使って、最新のアルゴリズムや自分が思う機能をコードとして、実装していくことになります。Pythonでのオブジェクト指向設計を学ぶことで、実装したコードを管理しやすくすることが目的です。

Python頻出文法

無名関数やリスト内包表記はとっつきにくいものの、実際の現場では頻出します。ここで学んでおくことで、実際のコードをリーディングできるようにしておきましょう

Git/Github

現代の開発や学習では、よくGitやGithubが使用されます。最低限必要なGitとGithubを学びましょう。

Linuxコマンド/シェルコマンド基礎

Linuxコマンドや簡単なシェル・コマンドは開発や開発環境を構築する際に使用することになります。

Anaconda

Anacondaを使用し、開発環境を構築する方法を学びます。

データサイエンス基礎PHASE

データサイエンスの領域にも、AIエンジニアとして学んでおくべきもの、必須な分野が多数あります。
これらを学び、データを扱うことの基礎を身につけます。

  • 基本的なツールの使い方の取得
  • 記述統計学
  • 推論統計学
  • データクリーニング

テキスト

>基本的なツールの使い方の取得

データサイエンスにおいて使用されるPythonライブラリのNumpy、Pandas、Matplotlib、JupyterNotebookについての基本的な操作を行えるようにします。

記述統計学

ヒストグラム、散布図などのデータ可視化の方法や相関や標準偏差、分散などを学びます。これらの分野は、機械学習においてよく使用されます。また、これらの手法をPythonで実装します。

推論統計学

確率分布・正規分布や推定、検定について学びます。また、これらの手法をPythonで実装します。

データクリーニング

実務では、多くの時間を前処理(データクリーニング)に割かなければなりません。
実際の実務でも、きちんと機械学習を適用できるようにデータクリーニングの方法を学びます。
方法を学んだあとは、前処理が必要なオープンデータセットを使用して、アウトプットをおこないます。

機械学習PHASE

AIを学ぶために最低限の基礎を身に着けた後は、実際に機械学習を学び始めましょう。
もっともモチベーション高く、そして効率良く学んでいくためには、まず機械学習に触れ始めることが大切です。重厚な理論を学ぶことも大切ですが、その前に実在する技術を使用して、 実際の問題に機械学習を適用できるようになりましょう。この機械学習では、動画でイメージを掴み、テキストで理論を学び、最後にsklearnを使用して実装するという手順を踏んでいます。 最後に、Kaggleやオープンデータセットを使用して演習を行います。

  • 機械学習基礎
  • 教師あり学習
  • 単回帰/重回帰
  • 過学習/正則化
  • クロスバリデーション
  • 決定木/ランダムフォレスト
  • SVM
  • ナイーブベイズ
  • 教師なし学習
  • クラスタリング
  • Feature Scaling
  • Feature Selection
  • Feature Extraction
  • Kaggle 演習

機械学習基礎

機械学習基礎では、機械学習のフローや、学習、評価など、機械学習を知らない人に対して、機械学習とは何かについて学びます。

教師あり学習

教師あり学習では、様々な手法とその理論、そして実装と、データに適用までを行います。
機械学習は、ライブラリを使えば実装できるという、単純なものではないため、チューニングや精度を上げるためのテクニック、過学習への対策を学びます。

教師なし学習

教師なし学習では、最も主流なクラスタリングと、主に教師あり学習と併用して使用される、Feature Scaling、Feature Selection、Feature Extractionを学びます。

Kaggle 演習

DIVE INTO CODEでは、トップレベルのAIエンジニアへの指針として、Kaggleを参考にしています。
まずは、入門のタイタニックや住宅価格予測を通して、実際の実務に近い体験を得ることを目的としています。
従って、それぞれの演習でトップ10%以内に入ることを目標とします。

深層学習PHASE

このPhaseでは深層学習とそのフレームワークを学びます。
実務では機械学習の方が使用される頻度が多いですが、現在もっとも注目される深層学習も重視して学んでいきます。

  • Tensorflow入門
  • TensorBoard入門
  • Keras入門
  • EC2インスタンスを用いたGPUの使い方
  • Floydhubを用いたGPUの使い方
  • ニューラルネットワーク
  • ロジスティック回帰
  • 多層パーセプトロン
  • 確率的勾配法
  • バックプロパゲーション
  • ディープニューラルネットワーク
  • 畳み込みニューラルネットワーク(CNN)
  • 再帰型ニューラルネットワーク(RNN)

Tensorflow入門/Keras入門

DIVE INTO CODEでは、TensorFlowとKerasをフレームワークとして使用します。
これらのフレームワークは、世界でもっとも人気なフレームワークであり、AIを適用するまでの時間を大きく減らします。

ニューラルネットワーク

昨今のディープラーニングは、ニューラルネットワークが基礎となってい
ニューラルネットワークを学ぶことで、ディープラーニングの理論を理解するための基礎を身につけます。
また、ディープラーニングに共通する学習の技術(確率的勾配法やバックプロパゲーションも学びます。)

ディープニューラルネットワーク

ディープラーニングがここまで注目を集めたのは層を重ねたニューラルネットワークがうまく動くような理論が生み出された他ありません。 そこでまずは、ディープニューラルネットワークを学ぶことで、どのように層を増やしていくのか、それに生じる過学習の問題をどう解決していくかを学んでいきます。

畳み込みニューラルネットワーク(CNN)

畳み込みニューラルネットワークは、猫の認識などで有名になったアルゴリズムです。
カリキュラムでは、畳み込みの概念をTensorFlowで実装しながら学び、その後プロジェクトにて、CNNを適用していきます。プロジェクトでは、画像分類などを行います。

再帰型ニューラルネットワーク(RNN)

カリキュラムでは、RNNそして、LSTMを学んでいきます。理論的には難しいですが、うまく噛み砕きつつ、TensorFlowを用いて、実装していきます。 その後CNNと同様プロジェクトにて、RNN(LSTM)を適用していきます。プロジェクトでは、簡易的な言語翻訳や株価予測を行います。

EXPART PHASE

EXPART PHASEでは、自然言語処理、音声認識、GameAgent、画像認識いずれかの分野を選択します。
いずれかの分野しか選べないというわけではありませんが、すべての分野に精通するのは1000時間では足りませんので、まずはひとつの分野を選択します。

EXPARTPHASE GAMEAGENT

ディープラーニングを使用したもっとも有名な例のひとつにアルファ碁があります。昨今のGameAgentはディープラーニングを用いて、圧倒的な進化を遂げています。 カリキュラムでは、強化学習の基礎から、トップカンファレンスの論文実装、そしてOpenAI Gymなどの使い方を学びます。

  • 強化学習概論
  • 強化学習の基礎
  • Bandit
  • Contextual Bandit
  • Policyの学習
  • Policyの学習2
  • Environmentの学習
  • Q-learning
  • DQN
  • 強化学習の発展的内容
  • POMDP
  • Floydhubを用いたGPUの使い方
  • A3C
  • DAGGER
  • トップ会議論文の実装
  • OpenAIGym入門

以下のカリキュラムはメンバーの現役エンジニア、機械学習研究室所属大学院生, AI研究所の方と連携し、誠意作成中です 11月の完成をお待ちください。

EXPARTPHASE 自然言語処理

EXPARTPHASE 音声認識

EXPARTPHASE 画像認識

ポートフォリオ作成PHASE

さて、一通りのAIを学ぶことができたら、実際にその技術を利用して、実社会の問題にAIを適用していきます。
メンターとともに3ヶ月を使用して、足りないものを学びつつ、アウトプットを行っていきます。

  • 要件定義
  • 開発方法のレクチャー
  • 開発相談

数学PHASE

DIVE INTO CODEでは、どこで使用するかを明確化するため、数学は都度学ぶ形式になっています。もしくは、それぞれのPhase前に散りばめられています。
まずは、必要な場所で、必要なだけを学び、AIの世界に飛び込めるようにします。

  • 微分積分
  • 線形代数
  • 確率統計
  • ベイズ統計学
  • 最適化数学基礎

無料説明会

次回開催:2018年1月期

現在大幅なコース改定に伴い一時的に募集を停止させていただいております。
改定後の受付再開予定となりますが開催時期が変更となる可能性もございますのであらかじめご了承いただけますようお願いいたします。
ご連絡希望の方は以下フォームにお名前、ご連絡先のご記入をお願いいたします。
受付再開になりましたら事前テストのご案内を優先的にさせていただきます。
※ エキスパートAIコースの無料説明会には事前テストを設けております。

入力フォームはこちら

トップへ戻る