【動画で学習】UdemyのPython・機械学習 人気/おすすめ講座【セールでお得】

こちらでは、UdemyのPython講座を、おすすめ、セール情報とともに紹介していきまっす。

Udemy講座の特徴

udemy

具体的な講座を見る前に、Udemyについてざっと整理しておきましょう。

Udemyは動画ベースの学習サービス、以下のような特徴があります。

Udemyの特徴

  • 買い切り型で継続コストがない
  • その上、内容更新あり、質問可能
  • スマホ対応、流し聴き学習も可能
  • 30日間返金が可能
  • セールで頻繁に80%以上割引

なんといっても、買い切り型なので購入後は継続コスト等が一切不要なのが安心。

その上で、講座の内容がアップデートされたり、質問も可能なので、買い切りなのに利用できるサポートが手厚いです。

講座の内容も10時間以上に登るものも多く、1本で基礎から応用まで学習可能

ユーザー評価や、動画プレビューあり、さらには30日間の返金保証もあるので、まず失敗しない購入が可能

購入時に絶対に抑えておきたいのがセール。毎回80~90%OFFの割引されます。

基本月1回は必ずセールが開催されているので、そこで購入するようにしましょう。また、新規ユーザーは1本目は大概セール価格で購入可能です。

 

UdemyのPython講座 人気ランキング(セール情報付き)

以下がUdemyで学習できるPythonの最新の人気講座ランキング(日本語のもの)です。

セール価格情報も載せています。上述したとおりUdemyのセールは大きいので逃さずゲットしてください。

人気
Rank
学習コース評価
1
(4.5)
総評価数 15392件
2
みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習 【2021年最新版】...
発売日 2016/11/17
受講者 38,989人
通常 15,000円
現在 2,160円
(4.3)
総評価数 7454件
3
(4.2)
総評価数 2397件
4
(4.2)
総評価数 1668件
5
(4.4)
総評価数 4306件
6
爆速で5つのPython Webアプリを開発
発売日 2021/04/05
受講者 4,217人
通常 22,800円
現在 1,840円
(4.4)
総評価数 499件
7
【世界で18万人が受講】実践 Python データサイエンス
発売日 2015/09/28
受講者 41,711人
通常 12,600円
現在 2,160円
(4)
総評価数 6900件
8
プログラミングを業務で活かす!PythonによるWeb API活用講座
発売日 2021/02/18
受講者 2,736人
通常 19,800円
現在 2,080円
(4.4)
総評価数 265件
9
(4.3)
総評価数 370件
10
(4.4)
総評価数 486件
11
【Pythonで学ぶ】OpenCVでの画像処理入門
発売日 2017/10/07
受講者 8,529人
通常 9,000円
現在 2,080円
(4.3)
総評価数 1348件
12
プログラミング初心者でも安心、Python/Django入門講座
発売日 2017/03/27
受講者 11,064人
通常 24,000円
現在 2,080円
(4.2)
総評価数 1853件
13
(4.3)
総評価数 335件
14
(4.2)
総評価数 1951件
15
Pythonで機械学習:scikit-learnで学ぶ識別入門
発売日 2016/10/17
受講者 12,533人
通常 2,400円
現在 1,840円
(4.2)
総評価数 1598件
16
(4.1)
総評価数 1276件
17
初心者必見!Pythonでニューラルネット・深層学習を完全攻略...
発売日 2017/10/14
受講者 4,513人
通常 10,200円
現在 2,160円
(4.2)
総評価数 899件
18
(4.3)
総評価数 401件
19
(4.6)
総評価数 87件
20
Python と AWS で始める!! 感情分析 AI を使った実践的 LINE Bot 開発入門...
発売日 2020/10/27
受講者 1,005人
通常 15,000円
現在 2,160円
(4.5)
総評価数 140件
21
【5日で学ぶ】情報セキュリティマネジメント入門(Python 3/Kali Linux)...
発売日 2017/03/26
受講者 7,237人
通常 10,800円
現在 2,160円
(4.2)
総評価数 797件
22
【Kaggleで学ぼう】Python と Keras で学ぶディープラーニング開発入門...
発売日 2018/10/18
受講者 4,539人
通常 10,800円
現在 2,000円
(4.2)
総評価数 736件
23
【4日で体験!】 TensorFlow, Keras, Python 3 で学ぶディープラーニング体験講座...
発売日 2016/12/23
受講者 14,477人
通常 14,400円
現在 2,080円
(4.3)
総評価数 2154件
24
プログラミング言語 Python 3 入門
発売日 2016/06/29
受講者 7,894人
通常 9,600円
現在 2,160円
(4.2)
総評価数 1847件
25
(4.1)
総評価数 221件
26
たっぷりの練習問題を楽しみながら学ぶPython講座
発売日 2020/04/28
受講者 1,148人
通常 19,200円
現在 1,840円
(4)
総評価数 140件
27
Python3 の基礎 - 超入門・再入門 -
発売日 2018/07/17
受講者 1,576人
通常 15,000円
現在 2,240円
(4.2)
総評価数 342件
28
(4.2)
総評価数 625件
29
PythonによるWebスクレイピング 〜Webアプリケーション編〜
発売日 2019/04/06
受講者 6,741人
通常 22,800円
現在 2,160円
(4.5)
総評価数 729件
30
(4)
総評価数 221件
31
【Python/Django3】Webアプリ作成からデプロイまで!
発売日 2020/06/17
受講者 483人
通常 4,800円
現在 4,800円
(4.7)
総評価数 104件
32
(3.6)
総評価数 129件
33
科学技術計算のためのPython入門
発売日 2020/12/01
受講者 557人
通常 13,200円
現在 1,840円
(4.5)
総評価数 62件
34
【Python】 Django3で「本当に使える」WEBアプリケーションを開発しよう...
発売日 2020/12/01
受講者 659人
通常 7,800円
現在 1,840円
(4.3)
総評価数 70件
35
(4.2)
総評価数 227件
36
(4)
総評価数 428件
37
(3.4)
総評価数 126件
38
ゼロから徹底的に学ぶプログラミング言語 Python 3
発売日 2017/08/02
受講者 699人
通常 15,000円
現在 2,240円
(3.6)
総評価数 102件
39
【Python 3 x Django 2.0】作りながら覚えるDjango
発売日 2016/12/11
受講者 2,883人
通常 22,800円
現在 2,080円
(4)
総評価数 415件
40
(4.4)
総評価数 66件
41
ゼロからはじめるR言語での可視化とPython言語での可視化
発売日 2017/05/03
受講者 939人
通常 2,400円
現在 2,400円
(4.3)
総評価数 155件
42
(4)
総評価数 272件
43
(4.5)
総評価数 35件
44
(4.4)
総評価数 16件
45
(3.9)
総評価数 120件
46
(3.4)
総評価数 52件
47
【TensorFlow・Python 3】GANによる画像生成AI自作入門
発売日 2018/03/09
受講者 3,613人
通常 9,600円
現在 2,160円
(4.3)
総評価数 355件
48
(3.7)
総評価数 78件
49
(4)
総評価数 29件
50
AIへまっしぐら!Pythonアニマルズ : Go Ahead to AI, Python Animals!
発売日 2018/01/21
受講者 205人
通常 23,400円
現在 2,080円
(4)
総評価数 8件
51
(3.9)
総評価数 3件
 

UdemyのPython 人気・おすすめの5講座

以下が今人気のおすすめの講座の詳細です。

Udemy講座では、1つのコースで基礎から応用まで幅広く学べるものが多く、コスパ高く学習可能。

自分にあったコースをセールでゲットして効率よく学習しましょう。

現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル

現役シリコンバレーエンジニアが教えるPython 3 入門 + 応用 +アメリカのシリコンバレー流コードスタイル
発売日 2017/03/04
(4.5)

28.5 total hours
現役シリコンバレーエンジニアが教えるPython入門!応用では、データ解析、データーベース、ネットワーク、暗号化、並列化、テスト、インフラ自動化、キューイングシステム、非同期処理など盛り沢山の内容です!

このコースでは、Python3の基礎である入門コースを一通り終えた後に、今後のアプリケーション開発に役立つためのPythonのテクニックやデーターベースアクセス(SQLite, MySQL, MongoDB, SQLAlchemy, memcached, Hbase, neo4j etc)、WEB(Flask, socket, RPC etc)、インフラ自動化(Fabric, Ansible)、並列化(スレッド、マルチプロセス)、テスト(Unittest, pytest, Tox, Selenium, etc)、暗号化(pycrypto, hashlib)、グラフィック(turtle, Tkinter)、データ解析(numpy, pandas, matplotlib, scikit-learn), キューイングシステム(ZeroMQ, Celery)、非同期処理(asyncio)などのPythonを使った応用編を取り入れております。

また、Pythonのコードをただ書いて、プログラムが動けば良いというだけではなく、コードスタイルに関しても言及しております。pythonicにと言われるように、PythonはPythonらしく綺麗でわかりやすいコードを書くことが大切です。

私が10年以上勤務しているアメリカのシリコンバレーのIT企業ですが、どの企業にも世界の多くの国から、良いプログラマーが集まってきます。そのため、他の国から来た異文化の人がコードを読んでも理解できるように綺麗に書かなければなりません。

日本では、他の人にはわからない難しいコードが書ける人が素晴らしいプログラマーだとされる傾向がありますが、シリコンバレーでは、いかに綺麗にわかりやすいコードを書けるかが重要となって来ております。アメリカでは、解雇や転職などの機会も多く、コードは常に誰か新しいメンバーが入って来てもすぐにわかるようにしなければならないため、他の人にわかりにくいコードを書くブログラマーは解雇対象となってしまいます。

まずは、Pythonの基礎を学んで、アプリケーション開発の際には、コードスタイルに気をつけて、Pythonicなコードが書けるように目指しましょう。

皆様の今後のご活躍にお役に立てるようなコースとなれば幸いです。それでは、今後の皆様のご活躍を祈っております。


↓全て表示↑少なく表示
 
Users Voice
わかりやすいのですが、説明が非常に早いです。 画面を切り替えながら受講するのは結構難しいと思うので、ウルトラワイドモニターで動画と操作を並べて受講したりする工夫は必要になると思います。 (参考:Udemy)

↓全て表示 ↑少なく表示
 
レクチャー内容
  1. ここから開始しましょう。
    • はじめに
    • アメリカ本社のUdemyオフィスに遊びに行ってきました
    • 講義の話すスピードを変更したい場合
  2. Python環境の設定
    • MacにPythonをインストールする
    • MacにPycharmをインストールする
    • WindowsにPythonをインストールする
    • WindowsにPycharmをインストールをする
  3. Pythonの基本
    • 変数宣言
    • まずはprintで出力
    • 数値
    • 文字列
    • 文字列のインデックスとスライス
    • 文字のメソッド
    • 文字の代入
    • f-strings
  4. データー構造
    • リスト型
    • リストの操作
    • リストのメソッド
    • リストのコピー
    • リストの使い所
    • タプル型
    • タプルのアンパッキング
    • タプルの使い所
    • 辞書型
    • 辞書型のメソッド
    • 辞書のコピー
    • 辞書の使い所
    • 集合型
    • 集合のメソッド
    • 集合の使い所
  5. 制御フローとコード構造
    • コメント
    • 1行が長くなる時
    • if文
    • デバッガーを使って確認してみる
    • 比較演算子と論理演算子
    • InとNotの使い所
    • 値が入っていない判定をするテクニック
    • Noneを判定する場合
    • while文とcontinue文とbreak文
    • while else文
    • input関数
    • for文とbreak文とcontinue文
    • for else文
    • range関数
    • enumerate関数
    • zip関数
    • 辞書をfor文で処理をする
    • 関数定義
    • 関数の引数と返り値の宣言
    • 位置引数とキーワード引数とデフォルト引数
    • デフォルト引数で気をつけること
    • 位置引数のタプル化
    • キーワード引数の辞書化
    • Docstringsとは
    • 関数内関数
    • クロージャー
    • デコレーター
    • ラムダ
    • ジェネレーター
    • リスト内包表記
    • 辞書包括表記
    • 集合内包表記
    • ジェネレーター内包表記
    • 名前空間とスコープ
    • 例外処理
    • 独自例外の作成
  6. モジュールとパッケージ
    • コマンドライン引数
    • Import文とAS
    • 絶対パスと相対パスのImport
    • アスタリスクのインポートと__init__.pyと__all__の意味
    • ImportErrorの使い所
    • setup.pyでパッケージ化して配布する
    • 組み込み関数
    • 標準ライブラリ
    • サードパーティーのライブラリ
    • importする際の記述の仕方
    • __name__と__main__
  7. オブジェクトとクラス
    • クラスの定義
    • クラスの初期化とクラス変数
    • コンストラクタとデストラクタ
    • クラスの継承
    • メッソドのオーバーライドとsuperによる親のメソッドの呼び出し
    • プロパティーを使った属性の設定
    • クラスを構造体として扱う時の注意点
    • ダックタイピング
    • 抽象クラス
    • 多重継承
    • クラス変数
    • クラスメソッドとスタティックメソッド
    • 特殊メソッド
  8. ファイル操作とシステム
    • ファイルの作成
    • withステートメントでファイルをopenする
    • ファイルの読み込み
    • seekを使って移動する
    • 書き込み読み込みモード
    • テンプレート
    • CSVファイルへの書き込みと読み込み
    • ファイル操作
    • tarfileの圧縮展開
    • zipfileの圧縮展開
    • tempfile
    • subprocessでコマンドを実行する
    • datetime
  9. 入門編の終了 応用編に行く前に簡単なアプリケーションの演習
    • WindowsとMacのコマンド
    • 簡単なアプリケーションを作って見よう
    • デモアプリケーションの流れを説明したPDFファイル
    • デモアプリのコードを展開する
    • サンプルのデモアプリケーションのコード
    • サンプルコードの設計とフォルダ構造の解説
    • サンプルコードのViewsとテンプレートの解説
    • サンプルコードのmodelsとcontrollerの解説
  10. コードスタイル
    • コードスタイルをチェックするツールの確認
    • スタイルルール
    • Pythonの書き方
    • ドキュメントとPylint
    • 文章のようにPythonを書く
  11. コンフィグとロギング
    • 応用編に行く前に
    • configparser
    • yaml
    • ロギング
    • ロギング フォーマッタ
    • ロギング ロガー
    • ロギング ハンドラー
    • ロギング フィルタ
    • ロギング コンフィグ
    • ロギングの書き方
    • Email送信
    • 添付ファイルEmail送信
    • SMTPハンドラーでログをEmail送信
    • virtualenv
    • optparse
  12. データーベース
    • データーベースに関して
    • MacにHomeBrewとSQLiteをインストールする
    • WindowsにSQLiteをインストールする
    • SQLite
    • MacにMySQLをインストールする
    • WindowsにMySQLをインストールする
    • MySQL
    • SQLAlchemy
    • DBM
    • memcached
    • pickle
    • MacにMongoDBをインストールする
    • WindowsにMongoDBをインストールする
    • MongoDB
    • Hbase
    • Macにneo4jをインストールする
    • Windowsにneo4jをインストールする
    • neo4j
    • データーベースのおさらい
  13. WEBとネットワーク
    • XML
    • Json
    • urllib.request
    • requests
    • socket通信
    • socketserverとhttp.serverとwebbrowser
    • Flask
    • BeautifulSoupでWEBスクレピング
    • XML RPC
    • networkx
  14. テスト
    • doctest
    • Unittest
    • Unittestで例外テスト
    • Unittestのsetupとteardown
    • Unittestのスキップ
    • pytest
    • pytestで例外テスト
    • pytestのsetupとteardown
    • pytestのスキップ
    • pytestのconftest
    • pytestのfixture
    • pytestの独自のfixture
    • pytest-cov どこまでテストをすればいいのか
    • noseのwebページの紹介
    • setuptoolsでtestを実行する
    • Toxで仮想環境でテストを行う
    • seleniumでUIの自動テスト
    • mock
    • mock.assert
    • mock.patch
    • mock.side_effect
    • mock spec
    • どこまでmockするか
  15. 並列化
    • マルチスレッドとマルチプロセス
    • スレッド
 
Preview Video
   

みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習 【2021年最新版】

みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習 【2021年最新版】
発売日 2016/11/17
(4.3)

8.5 total hours
【Google Colaboratory対応】初心者向けの人工知能と機械学習のコースです。プログラミング言語Pythonを使って、機械学習とプログラミングの基礎、必要な数学を勉強しましょう!文字認識や株価分析なども行います。

-------------------- お知らせ -----------------------

本コースは、2020年8月3日に全面リニューアルされました。

開発環境はGoogle Colaboratorlyに変更され、コードも全面的に更新されました。

旧レクチャーの動画は2021年9月1日に削除されました。

----------------------------------------------------

みんなのAI講座は、誰に対しても開かれた人工知能、機械学習の講座です。プログラミングや数学の事前知識はほとんど必要ありません。

難解な数式やプログラミングが学習の妨げであった方でも、問題なく学習できます。

文系や非エンジニアの方にもお勧めです。

Udemyの受講生数が数万人に及ぶ経験豊富な講師が指導します。

本コースでは、人工知能技術全般の解説を行いますが、実際にを書くのは主に機械学習のコードです。

機械学習のコードは、人工知能の分野で最もメジャーなプログラミング言語、Pythonで記述します。

開発には、Google Colaboratoryという開発環境を使います。これにより、初心者の方が躓きやすい環境設定が大幅に楽になります。ターミナルなどのコマンドラインを開く必要はありません。

データの分類や、文字認識、株価分析などの実践も行います。

その他コースの特徴は、以下通りです。

- 理論よりも体験を、手を動かすことを重視します。

- 可能な限り、簡単な数学を用いて解説します。

- 必要な数学はグラフィカル、直感的に解説します。

- ニューラルネットや機械学習などの難しい概念は、細かく分解して少しずつ学習します

- プログラミング初心者、未経験者でも大丈夫です。プログラミング言語Pythonを基礎から勉強します。

- 機械学習の基礎が身につきます。機械学習のコードを一から実装します。既存の有名ライブラリの解説も行います。

なお、大学レベル以上の数学や、機械学習の深い理論の解説は行いませんのでご注意ください。

ディープラーニングに関しては、概念のみの解説となります。


2021.4.26 Section2、Section7にレクチャーが追加されました。


↓全て表示↑少なく表示
 
Users Voice
間違いなどの行為がない。 よくある動画ではソースの間違いがあり中断して意味がわからなくなる。それが少ないので良かったです。 (参考:Udemy)

↓全て表示 ↑少なく表示
 
レクチャー内容
  1. 人工知能の概要と開発環境
    • 教材の使い方について
    • イントロダクション
    • 講座の概要
    • 人工知能の概要
    • Pythonの概要
    • 学習の心構え
    • 開発環境について
    • 演習: 人工知能の概要と開発環境
    • 質疑応答: 人工知能の概要と開発環境
  2. Pythonの基礎
    • セクション2の概要
    • Pythonの基礎1
    • Pythonの基礎2 PART1
    • Pythonの基礎2 PART2
    • Pythonの基礎3 PART1
    • Pythonの基礎3 PART2
    • Pythonの基礎4(2021.4.26追加)
    • 演習: Pythonの基礎
    • 質疑応答: Pythonの基礎
  3. 必要な数学の学習
    • セクション3の概要
    • 関数の描画
    • べき乗とネイピア数
    • シグモイド関数
    • 演習: 必要な数学の学習
    • 質疑応答: 必要な数学の学習
  4. ニューラルネットワーク
    • セクション4の概要
    • ニューラルネットワークの概要
    • 単一ニューロンの実装
    • 外部データの導入
    • ニューラルネットワークの実装
    • 演習: ニューラルネットワーク
    • 質疑応答: ニューラルネットワーク
  5. 機械学習
    • セクション5の概要
    • 学習の仕組み
    • 出力層の学習
    • 中間層の学習
    • 演習: 機械学習
    • 質疑応答: 機械学習
  6. 機械学習ライブラリの活用
    • セクション6の概要
    • scikit-learnの概要
    • 手書き文字認識
    • 株価の予測
    • 演習: 機械学習ライブラリの活用
    • 質疑応答: 機械学習ライブラリの活用
  7. さらに学ぶために
    • セクション7の概要
    • 機械学習ライブラリの紹介
    • 数学の活用
    • 発展技術の解説
    • CPUとGPU(2021.4.26追加)
    • AIを利用したサービス(2021.4.26追加)
    • 人工知能の未来
    • 質疑応答: さらに学ぶために
  8. ボーナスレクチャー
    • ボーナスレクチャー
 
Preview Video
   

はじめてのPython 少しずつ丁寧に学ぶプログラミング言語Python3のエッセンス

はじめてのPython 少しずつ丁寧に学ぶプログラミング言語Python3のエッセンス
発売日 2018/02/15
(4.2)

4.5 total hours
AIやデータサイエンスの講座でPythonが難しかった方は、この講座から始めましょう。今最も熱いプログラミング言語Pythonを学ぶことで、あなたの可能性は大きく広がります。プログラミング入門用の教材としてもおすすめです。

はじめてのPythonは、誰にでも開かれたPython初心者向けの講座です。

プログラミング言語Pythonをゼロから少しづつ丁寧に解説するので、Pythonの本質を無理なく着実に身につけることができます。

高い学習効率も本コースの特徴の一つです。

講義と演習を軸として、高い学習効率が実現できるようにコースが設計されています。

Pythonのコードに慣れるために、演習ではコードを実際に書いたりカスタマイズしたりします。

レクチャーの難易度は緩やかに上昇するので、プログラミング初心者の方でも問題なく受講することができます。もし、不明な点が生じましたら、Q&Aで遠慮なくご質問ください。

ゼロからPythonを学習し、楽しみながらそのエッセンスを身につけていただくことがこのコースの目的です。

————————————————————

Pythonは、とてもコストパフォーマンスのいいプログラミング言語です。

文法が簡潔で学習の敷居が低いにもかかわらず、高い汎用性を持っています。

そして、様々なプログラミング言語別の年収ランキングで、Pythonエンジニアの年収は1位となっています。

近年Pythonが注目を集めている理由の一つに、人工知能の分野での活躍があります。

機械学習やディープラーニングを含む人工知能の開発でスタンダードとなっており、FacebookやGoogleなどの先端企業で高い利用実績があります。

統計用ライブラリが充実しているため、データサイエンスの分野でも活躍しています。

ビッグデータの解析においても、Pythonはとても有用です。

また、IoTやロボット制御の分野において、ハードウェアの制御や自律型ロボットのアルゴリズムにPythonは用いられています。

そして、YouTube、Instagram、DropboxなどのWebアプリは、Pythonで開発されています。

その他にも、自然言語処理、数学、生物学、天文学などPythonは分野の垣根を超えて大活躍しています。

コードが簡潔に書けるため、専業のプログラマでなくても実用的なコードが書けるのが大きなメリットです。

以上のように、Pythonは実績、汎用性共に申し分なく、有用で将来性のあるプログラミング言語です。

実際にPythonは社会を様々な形で支えており、Pythonエンジニアの需要は高まっています。

様々な国内外の企業がで高待遇で募集していますが、需要に供給が追いついていません。

————————————————————

本コースの開発環境、AnacondaとJupyter Notebookは簡単にダウンロード、インストールすることができます。

環境構築の敷居が非常に低いため、プログラミング初心者の方にもお勧めです。

Pythonの習得は、あなたの可能性を大きく広げます。

本コースを修了した方は、早速Pythonを何かに使ってみたくなるのではないでしょうか。


↓全て表示↑少なく表示
 
Users Voice
各セクションの最後に演習があり、実際にコードを入力して学べる点が良かったです。初心者なので最後になるほど難しいと感じ、演習の正解の解説がもっと詳しく欲しいと思いました。 (参考:Udemy)

↓全て表示 ↑少なく表示
 
レクチャー内容
  1. イントロダクション
    • コースの概要
    • Pythonの概要
    • コースの学び方
  2. 学習の準備をしよう
    • Anacondaのインストール
    • Anaconda NavigatorとJupyter Notebook
    • Jupyter Notebookの使い方
    • 教材のダウンロード
    • 演習の解答例について
  3. 基本的なコードを書こう
    • コメント
    • 変数の概念
    • 型の概念
    • 文字列
    • 数値と文字列の組み合わせ
  4. 演算子を使ってみよう
    • 数値計算の演算子
    • 代入演算子
    • 比較演算子
    • 論理演算子
    • 三項演算子
    • 文字列の演算
    • 演算の優先順位
  5. データをまとめて扱おう
    • リストの操作1
    • リストの操作2
    • リストのコピー
    • タプルの操作
    • 辞書の操作
    • セットの操作
  6. 制御文を書いてみよう
    • if文1
    • if文2
    • for文
    • while文
    • ループと分岐の組み合わせ
    • ループの制御
    • 内包表記
  7. 文章を扱ってみよう
    • 文字列の操作1
    • 文字列の操作2
    • 文字列の検索
    • 正規表現1
    • 正規表現2
  8. 関数に処理をまとめてみよう
    • シンプルな関数
    • 引数
    • 返り値
    • 引数の指定方法
    • 引数をまとめて扱う
    • 無名関数
    • コールバック
    • 変数のスコープ
    • モジュール
  9. オブジェクト指向を学ぼう
    • オブジェクト指向
    • メソッド
    • インスタンス変数
    • コンストラクタ(イニシャライザ)
    • クラス変数とクラスメソッド
    • クラス変数とインスタンス変数の組み合わせ
    • クラスの継承
    • 特殊なメソッド
  10. ファイルと例外処理を学ぼう
    • ファイルへの書き出し
    • ファイルの読み込み
    • with構文
    • csvファイル
    • 例外処理
  11. デスクトップアプリを作ってみよう
    • デスクトップアプリとは?
    • ウィンドウの表示
    • ウィジェット
    • ダイアログの表示
    • ロジックの構築
  12. Webスクレイピングをやってみよう
    • Webスクレイピングとは?
    • Webスクレイピングの準備
    • HTMLの取得
    • HTMLのパース
  13. さらに学びたい方のために
    • Webアプリ開発
    • AI・機械学習・ディープラーニング
    • まとめ
  14. ボーナスレクチャー
    • ボーナスレクチャー
 
Preview Video
   

最新版: 基本情報技術者試験+応用情報技術者試験+Python+SQL 初心者からプロのエンジニアになる講座

最新版: 基本情報技術者試験+応用情報技術者試験+Python+SQL 初心者からプロのエンジニアになる講座
発売日 2019/11/07
(4.2)

54 total hours
AI, IoT, ビッグデータについて詳細に解説。コンピュータの構成、アルゴリズム、ネットワーク、セキュリティから、Python、SQLまで詳細に解説、マネジメント、ストラテジについても幅広い知識が身につきます

この講座の目標は、ITに関する基礎的な知識を身に着けることと、基本情報技術者試験応用情報技術者試験の各分野について勉強して、過去問を通じた演習をして、試験合格水準の知識を身に着けることです。

以下の4つの項目からなっています

  • 基本情報技術者試験・応用情報技術者両方の午前問題の対策をして合格水準の知識を身に着けること。

  • 基本情報技術者試験の午後問題の対策とプログラミング問題の対策としてPythonを覚えること。

  • 応用情報技術者の午後問題の対策をすること

  • 講師独自の経験を元にしたボーナスの講座


講師独自の経験を元にしたボーナスの講座は以下の内容を考えています

  • SQL

  • Python

    基本文法

    関数

    クラス、継承

    パッケージ管理、標準ライブラリ(date, datetime, decimal)

    新機能 python 3.8 セイウチ演算子

  • ITシステムの構成

  • ITシステムの性能

  • AI/ディープラーニング


講座は試験のシラバスに沿って以下の通り行います

1. 基本情報・応用情報の午前問題対策

2. 基本情報の午後問題対策

3. 応用情報の午後問題対策

ボーナス1. Python講座

ボーナス2. SQL対策講座(2020/06完成予定)


↓全て表示↑少なく表示
 
Users Voice
ある程度理解している前提でないと、理解が追い付かない。説明が少ない... 速すぎるとか以前の問題... ほかの参考書をやってからだといいのかも? (参考:Udemy)

↓全て表示 ↑少なく表示
 
レクチャー内容
  1. はじめに
    • この講座の目的について
    • 基本情報技術者試験・応用情報技術者試験について
  2. 基本情報・応用情報の午前問題(テクノロジ~基礎理論~)
    • このセクションで勉強すること
    • ボーナスレクチャー~システムの仕組み、開発の流れ・役割~
    • 離散数学~その1~
    • 離散数学~その2~
    • 離散数学~その3~
    • 離散数学~過去問~
    • 応用数学~前半~
    • 応用数学~後半~
    • 応用数学~過去問~
    • 情報に関する理論~前半~
    • 情報に関する理論~後半~
    • 情報に関する理論~過去問~
    • 通信に関する理論
    • 通信に関する理論~過去問~
    • 計測・制御に関する理論
    • 計測・制御に関する理論~過去問~
    • ボーナスレクチャー~プログラミング言語について~
    • データ構造
    • データ構造~過去問~
    • アルゴリズム、前半
    • アルゴリズム、後半
    • アルゴリズム~テスト~
    • プログラミング
    • プログラミング~テスト~
    • プログラム言語
    • プログラム言語~過去問~
    • その他の言語
    • その他の言語~過去問~
  3. Pythonの環境構築~ボーナスセクション~
    • このセクションで実施すること
    • Anacondaのインストール~Windows編~
    • VSCodeのインストール~Windows編~
    • Anacondaのインストール~Mac編~
    • VSCodeのインストール~Mac編~
  4. Pythonマスター講座~ボーナスセクション~
    • このセクションで勉強すること
    • 標準入出力、コメント文、変数~基本講座1~
    • 定数~基本講座1~
    • 論理型、AND、OR~基本講座1~
    • 整数型、浮動小数点数型、数値演算、ビット演算、シフト演算~基本講座1~
    • 整数型、浮動小数点数型、数値演算、ビット演算、シフト演算2~基本講座1~
    • 数値(2進数、8進数、16進数)~基本講座1~
    • 複素数~基本講座1~
    • 文字列1~基本講座1~
    • 文字列2~基本講座1~
    • 文字列3~基本講座1~
    • 数値・文字列変換~基本情報1~
    • リスト1~基本講座1~
    • リスト2~基本講座1~
    • リスト3~基本講座1~
    • 辞書1~基本講座1~
    • 辞書2~基本講座1~
    • タプル~基本講座1~
    • セット1~基本講座1~
    • セット2~基本講座1~
    • 演習問題
    • Python基本講座1~まとめ~
    • if文1~基本講座2~
    • if文2~基本講座2~
    • all, any文
    • 演習問題1
    • ループ文1~基本講座2~
    • ループ文2~基本講座2~
    • ループ文3~基本講座2~
    • セイウチ演算子~基本講座2~
    • 演習問題2
    • 例外処理1~基本講座2~
    • 例外処理2~基本講座2~
    • 例外処理3~基本講座2~
    • 選択ソート_演習解説~基本講座2~
    • 選択ソート~基本講座2~
    • バブルソート_演習解説~基本講座2~
    • バブルソート~基本講座2~
    • 関数1~基本講座2~
    • 関数2~基本講座2~
    • グローバル変数~基本講座2~
    • 関数内関数~基本講座2~
    • ジェネレータ関数~基本講座2~
    • ジェネレータ関数2~基本講座~2
    • サブジェネレータ関数~基本講座2~
    • ジェネレータ関数の使い道~基本講座2~
    • 演習問題3
    • 高階関数~基本講座2~
    • lambda式~基本講座2~
    • 再帰~基本講座2~
    • リスト内包表記~基本講座2~
    • リスト内包表記2~基本講座2~
    • デコレータ関数~基本講座2~
    • Map関数~基本講座3~
    • 【演習問題】マージソート~基本講座2~
    • 【演習問題】2分探索法~基本講座2~
    • 基本講座2まとめ
    • クラスの定義~基本講座3~
    • クラス変数、インスタンス変数~基本講座3~
    • コンストラクタ~基本講座3~
    • インスタンスメソッド、クラスメソッド、スタティックメソッド~基本講座3~
    • 特殊メソッド~基本講座3~
    • 特殊メソッド2
    • 演習問題4
    • クラスの継承~基本講座3~
    • クラスの継承2~基本講座3~
    • クラスの多重継承~基本講座3~
    • メタクラス~基本講座3~
    • ポリモーフィズム~基本講座3~
    • プライベート変数~基本講座3~
    • カプセル化、setter、getterその1~基本講座3~
    • カプセル化、setter、getterその2~基本講座3~
    • 演習問題5
    • ファイル入力~基本講座3~
    • ファイル出力~基本講座3~
    • with~基本講座3~
    • 基本講座3~まとめ~
    • 【演習問題】深さ優先探索~問題説明~
    • 【演習問題】深さ優先探索~解説~
    • 【演習問題】幅優先探索~問題説明~
    • 【演習問題】幅優先探索~解答~
    • Python講座を終えて
  5. 基本情報・応用情報の午前問題(テクノロジ~コンピュータ構成要素~)
    • プロセッサ~前半~
    • プロセッサ~後半~
    • プロセッサ~過去問~
    • メモリ
    • メモリ~過去問~
    • バス、入出力装置、入出力デバイス~前半~
    • バス、入出力装置、入出力デバイス~後半~
    • バス、入出力装置、入出力デバイス~過去問~
    • システムの構成~前半~
    • システムの構成~後半~
    • システムの構成~過去問~
    • システムの評価指標~前半~
    • システムの評価指標
    • システムの評価指標~過去問~
    • オペレーティングシステム、ミドルウェア、ファイルシステム~その1~
    • オペレーティングシステム、ミドルウェア、ファイルシステム~その2~
    • オペレーティングシステム、ミドルウェア、ファイルシステム~その3~
    • オペレーティングシステム、ミドルウェア、ファイルシステム~後半~
    • オペレーティングシステム、ミドルウェア、ファイルシステム~過去問~
    • 開発ツール、オープンソースソフトウェア
    • 開発ツール、オープンソースソフトウェア~過去問~
    • ハードウェア~前半~
    • ハードウェア~後半~
    • ハードウェア~その3~
    • ハードウェア~過去問~
    • ヒューマンインタフェース~前半~
    • ヒューマンインタフェース~後半~
    • ヒューマンインタフェース~過去問~
    • マルチメディア技術
    • マルチメディア技術~過去問~
  6. 基本情報・応用情報技術者試験(データベース)
    • このセクションで勉強すること
    • データベース方式・データベース設計~前半~
    • データベース方式・データベース設計~後半~
    • データベース方式・データベース設計~過去問~
    • データ操作・トランザクション処理・データベース応用~前半~
    • データ操作・トランザクション処理・データベース応用~後半~
    • データ操作・トランザクション処理・データベース応用~過去問~
  7. 基本情報・応用情報の午前問題(テクノロジ~ネットワーク~)
    • ネットワーク方式、データ通信と制御~前半~
    • ネットワーク方式、データ通信と制御~後半~
    • ネットワーク方式、データ通信と制御~過去問演習~
    • 通信プロトコル、ネットワーク管理、ネットワーク応用~講義~
    • 通信プロトコル、ネットワーク管理、ネットワーク応用~過去問演習~
  8. 基本情報・応用情報の午前問題(テクノロジ~セキュリティ~)
    • 情報セキュリティ・情報セキュリティ管理~その1~
    • 情報セキュリティ・情報セキュリティ管理~その2~
    • 情報セキュリティ・情報セキュリティ管理~その3~
    • 情報セキュリティ・情報セキュリティ管理~その4~
    • 情報セキュリティ・情報セキュリティ管理~過去問~
    • セキュリティ技術評価・情報セキュリティ対策技術・情報セキュリティ実装技術~その1~
    • セキュリティ技術評価・情報セキュリティ対策技術・情報セキュリティ実装技術~その2~
    • セキュリティ技術評価・情報セキュリティ対策技術・情報セキュリティ実装技術~過去問演習~
    

【ゼロから始めるデータ分析】 ビジネスケースで学ぶPythonデータサイエンス入門

【ゼロから始めるデータ分析】 ビジネスケースで学ぶPythonデータサイエンス入門
発売日 2017/09/19
(4.4)

8.5 total hours
分析コンペティションに参加しながら回帰分析による売上予測、機械学習での顧客ターゲティングなど実践的なビジネス課題でデータ分析の一連の流れを身に着けよう。 プログラミング初心者にもおすすめ。

【概要】
本講座では、データサイエンスをこれから勉強したい方や興味はあるが何をどうやって勉強すれば良いかわからない方、及びプログラミング初心者を対象としています。データサイエンスの一連の流れを体験できるカリキュラムとなっており、学ぶべきことのヒントを散りばめ、よりステップアップしていく為の足掛かりとなるような設計を心がけました。

【本講座のこだわり】

  • 実践を重視し、リアルなデータと課題を教材として採用しています
  • 言葉や概念を学習するスライドの章とプログラミングしながら実践する章の2つを用意しています
  • 一問一答形式の教材を用意。問題を解き進めることでプログラミングが徐々に身につき、データサイエンスの流れが体験できるようになっています
  • 分析コンペティションも教材として採用し、楽しみながら学習が進められます
  • 講座終了後に使用した教材が自身の教科書となるようになっており、もう一度ご自身の力で教材の問題を解き直すことで復習にも利用できます
  • 発展的な内容は極力除外し、なるべく平易な表現や例を使い、イメージで理解できるように工夫しました

【その他】

  • python3を採用し、プログラミング環境はjupyter notebookを利用
  • 11個のjupyter notebookファイルをオリジナル教材として用意

【講師より】
本講座でご紹介するのはデータサイエンスの中でもごく一部ですが、概要がわかり、ちょっと手が動かせるようになると、ご自身でどんどん学習を進められるようになります。より多くの方がデータサイエンスに興味を持っていただき、ご活躍頂ける為に、本講座が少しでも皆さんのお役に立てれば幸いです。


↓全て表示↑少なく表示
 
Users Voice
基礎分析から前処理、機械学習の実装まで一連の流れを分かりやすく解説されており、データ分析の一連の流れを掴むことができました。難しい数学やプログラミングを省いているので、思考停止することなく最後まで受講することができました。データ分析の全体像を最初に掴むには最適な講座だと思いました。これからもっと研鑽しスキルを高めていきたいと思えるきっかけとなりました。ありがとうございました。 (参考:Udemy)

↓全て表示 ↑少なく表示
 
レクチャー内容
  1. はじめに
    • 【スライド】本講座について
    • 【スライド】本講座の流れ
  2. 分析環境を整えよう
    • 【スライド】pythonとjupyter
    • 【スライド】インストールしてみよう
    • Anacondaのインストール(windows)
    • Anacondaのインストール(mac)
    • 【ドキュメント】Anacondaについて
    • Matplotlibの日本語化について
    • Matplotlibの日本語化 (Windows)
    • Matplotlibの日本語化(mac)
    • 【ドキュメント】Matplotlibの日本語化について
  3. まずデータに向き合おう
    • 【スライド】データに向き合う前に
    • 【ドキュメント】SIGNATE(旧DeepAnalytics)からデータをダウンロードしよう
    • 【ドキュメント】教材をダウンロードしよう
    • 【スライド】jupyterの立ち上げ方について
    • jupyterを立ち上げてみよう
    • 【スライド】まず基礎分析と可視化をしてみましょう
    • データを読み込んでみよう
    • 【実習1】答え合わせ
    • 【実習2】答え合わせ
    • 【実習3】答え合わせ
    • 【実習4】答え合わせ
    • 【実習5】答え合わせ
    • 【スライド】Pythonの基礎
    • データをもう少し詳しく見てみよう
    • 【実習1】答え合わせ
    • 【実習2】答え合わせ
    • 【実習3】答え合わせ
    • 【実習4】答え合わせ
    • 【実習5】答え合わせ
    • 【実習6】答え合わせ
    • グラフを描いてみよう
    • グラフを描いてみよう(ヒストグラム)
    • グラフを描いてみよう(箱ひげ図)
    • 【実習1】答え合わせ
    • 【実習2】答え合わせ
    • 【実習3】答え合わせ
    • 【スライド】色々なプロット
    • 欠損値を調べてみよう
    • 相関関係を見てみよう
  4. 予測するってどういうこと?
    • 【スライド】目的変数と説明変数
    • 【スライド】代表的な予測問題
    • 【スライド】予測モデルを作るキホン
  5. CASE1:お弁当大作戦~お弁当の売り上げを予測してみよう~
    • 【スライド】お弁当大作戦に挑戦してみよう
    • 【ドキュメント】教材をダウンロードしよう
    • 簡単な予測モデルを作ってみよう
    • 【実習1】答え合わせ
    • 【実習2】答え合わせ
    • 【実習3】答え合わせ
    • 【実習4】答え合わせ
    • 【実習5】答え合わせ
    • 【実習6】答え合わせ
    • 【実習7】答え合わせ
    • 【実習8】答え合わせ
    • 【実習9】答え合わせ
    • 【実習10】答え合わせ
    • 【実習11】答え合わせ
    • 【実習12】答え合わせ
    • SIGNATE(旧DeepAnalytics)に結果を投稿しよう①
    • submit1の投稿結果を確認してみよう
    • submit2の投稿結果を確認してみよう
    • 【スライド】モデルの評価方法
    • 【スライド】重回帰モデルとダミー変数化
    • 重回帰モデルを作ってみよう
    • 【実習1】答え合わせ
    • 【実習2】答え合わせ
    • 【実習3】答え合わせ
    • 【実習4】答え合わせ
    • SIGNATE(旧DeepAnalytics)に結果を投稿しよう②
    • submit3の投稿結果を確認してみよう
    • 【スライド】特徴量の作成・選択
    • 特徴量を作ってみよう①
    • SIGNATE(旧DeepAnalytics)に結果を投稿しよう③
    • submit4の投稿結果を確認してみよう
    • 特徴量を作ってみよう②
    • SIGNATE(旧DeepAnalytics)に結果を投稿しよう④
    • submit5の投稿結果を確認してみよう
  6. CASE2:優良顧客を探せ!~銀行の顧客ターゲティング~
    • 【スライド】優良顧客を探せ!に挑戦してみよう
    • 【ドキュメント】教材をダウンロードしよう
    • 基礎分析をしよう
    • 【実習1】答え合わせ
    • 【実習2】答え合わせ
    • 【実習3】答え合わせ
    • 【実習4】答え合わせ
    • 【実習5】答え合わせ
    • 【実習6】答え合わせ
    • 【実習7】答え合わせ
    • 【スライド】機械学習に触れてみよう
    • 【ドキュメント】Graphvizのインストールについて
    • Graphvizのインストール①(windows)
    • Graphvizのインストール②(windows)
    • Graphvizのインストール③(windows)
    • Graphvizのインストール①(mac)
    • Graphvizのインストール②(mac)
    • Graphvizのインストール③(mac)
    • 決定木のモデルを作ってみよう
    • SIGNATE(旧DeepAnalytics)に結果を投稿しよう⑤
    • submit1_bankの投稿結果を確認してみよう
    • 【実習1】答え合わせ
    • 【実習2】答え合わせ
    • 【実習3】答え合わせ
    • 【実習4】答え合わせ
    • 【実習5】答え合わせ
    • SIGNATE(旧DeepAnalytics)に結果を投稿しよう⑥
    • submit2_bankの投稿結果を確認してみよう
    • 【スライド】パラメータとは?
    • パラメータをチューニングしてみよう①
    • パラメータをチューニングしてみよう②
    • SIGNATE(旧DeepAnalytics)に結果を投稿しよう⑦
    • submit3_bankの投稿結果を確認してみよう
    • 【実習1】問題について
    • 【実習1】答え合わせ
    • 【実習2】答え合わせ
    • 【実習3】答え合わせ
    • 【実習4】答え合わせ
    • 【実習5】答え合わせ
    • 【実習6】答え合わせ
    • SIGNATE(旧DeepAnalytics)に結果を投稿しよう⑧
    • submit4_bankの投稿結果を確認してみよう
  7. 次のステージへ
    • 【スライド】本講座のまとめ
  8. よくある質問
    • 【ドキュメント】よくある質問
    

UdemyのPython機械学習 人気・おすすめの5講座

以下が今人気のおすすめの講座の詳細です。

Udemy講座では、1つのコースで基礎から応用まで幅広く学べるものが多く、コスパ高く学習可能。

自分にあったコースをセールでゲットして効率よく学習しましょう。

みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習 【2021年最新版】

みんなのAI講座 ゼロからPythonで学ぶ人工知能と機械学習 【2021年最新版】
発売日 2016/11/17
(4.3)

8.5 total hours
【Google Colaboratory対応】初心者向けの人工知能と機械学習のコースです。プログラミング言語Pythonを使って、機械学習とプログラミングの基礎、必要な数学を勉強しましょう!文字認識や株価分析なども行います。

-------------------- お知らせ -----------------------

本コースは、2020年8月3日に全面リニューアルされました。

開発環境はGoogle Colaboratorlyに変更され、コードも全面的に更新されました。

旧レクチャーの動画は2021年9月1日に削除されました。

----------------------------------------------------

みんなのAI講座は、誰に対しても開かれた人工知能、機械学習の講座です。プログラミングや数学の事前知識はほとんど必要ありません。

難解な数式やプログラミングが学習の妨げであった方でも、問題なく学習できます。

文系や非エンジニアの方にもお勧めです。

Udemyの受講生数が数万人に及ぶ経験豊富な講師が指導します。

本コースでは、人工知能技術全般の解説を行いますが、実際にを書くのは主に機械学習のコードです。

機械学習のコードは、人工知能の分野で最もメジャーなプログラミング言語、Pythonで記述します。

開発には、Google Colaboratoryという開発環境を使います。これにより、初心者の方が躓きやすい環境設定が大幅に楽になります。ターミナルなどのコマンドラインを開く必要はありません。

データの分類や、文字認識、株価分析などの実践も行います。

その他コースの特徴は、以下通りです。

- 理論よりも体験を、手を動かすことを重視します。

- 可能な限り、簡単な数学を用いて解説します。

- 必要な数学はグラフィカル、直感的に解説します。

- ニューラルネットや機械学習などの難しい概念は、細かく分解して少しずつ学習します

- プログラミング初心者、未経験者でも大丈夫です。プログラミング言語Pythonを基礎から勉強します。

- 機械学習の基礎が身につきます。機械学習のコードを一から実装します。既存の有名ライブラリの解説も行います。

なお、大学レベル以上の数学や、機械学習の深い理論の解説は行いませんのでご注意ください。

ディープラーニングに関しては、概念のみの解説となります。


2021.4.26 Section2、Section7にレクチャーが追加されました。


↓全て表示↑少なく表示
 
Users Voice
間違いなどの行為がない。 よくある動画ではソースの間違いがあり中断して意味がわからなくなる。それが少ないので良かったです。 (参考:Udemy)

↓全て表示 ↑少なく表示
 
レクチャー内容
  1. 人工知能の概要と開発環境
    • 教材の使い方について
    • イントロダクション
    • 講座の概要
    • 人工知能の概要
    • Pythonの概要
    • 学習の心構え
    • 開発環境について
    • 演習: 人工知能の概要と開発環境
    • 質疑応答: 人工知能の概要と開発環境
  2. Pythonの基礎
    • セクション2の概要
    • Pythonの基礎1
    • Pythonの基礎2 PART1
    • Pythonの基礎2 PART2
    • Pythonの基礎3 PART1
    • Pythonの基礎3 PART2
    • Pythonの基礎4(2021.4.26追加)
    • 演習: Pythonの基礎
    • 質疑応答: Pythonの基礎
  3. 必要な数学の学習
    • セクション3の概要
    • 関数の描画
    • べき乗とネイピア数
    • シグモイド関数
    • 演習: 必要な数学の学習
    • 質疑応答: 必要な数学の学習
  4. ニューラルネットワーク
    • セクション4の概要
    • ニューラルネットワークの概要
    • 単一ニューロンの実装
    • 外部データの導入
    • ニューラルネットワークの実装
    • 演習: ニューラルネットワーク
    • 質疑応答: ニューラルネットワーク
  5. 機械学習
    • セクション5の概要
    • 学習の仕組み
    • 出力層の学習
    • 中間層の学習
    • 演習: 機械学習
    • 質疑応答: 機械学習
  6. 機械学習ライブラリの活用
    • セクション6の概要
    • scikit-learnの概要
    • 手書き文字認識
    • 株価の予測
    • 演習: 機械学習ライブラリの活用
    • 質疑応答: 機械学習ライブラリの活用
  7. さらに学ぶために
    • セクション7の概要
    • 機械学習ライブラリの紹介
    • 数学の活用
    • 発展技術の解説
    • CPUとGPU(2021.4.26追加)
    • AIを利用したサービス(2021.4.26追加)
    • 人工知能の未来
    • 質疑応答: さらに学ぶために
  8. ボーナスレクチャー
    • ボーナスレクチャー
 
Preview Video
   

【世界で74万人が受講】基礎から理解し、Pythonで実装!機械学習26のアルゴリズムを理論と実践を通じてマスターしよう

【世界で74万人が受講】基礎から理解し、Pythonで実装!機械学習26のアルゴリズムを理論と実践を通じてマスターしよう
発売日 2020/03/09
(4.3)

22.5 total hours
単回帰、重回帰、ニューラルネットワーク、強化学習、自然言語処理、主成分分析といったテーマに関するアルゴリズムの実装から統計学を活用したモデリング、Google colabやTensorflowの使い方などMLに必要なすべてを習得します。

このコースは全世界で130万人を超える受講者を持ち、人工知能、機械学習、深層学習の第一人者、SuperDataScienceTeamによってUdemyで公開されているベストセラー「Machine Learning A-Z」の完全日本語版です。

オリジナルの講義の内容を、「講義/Pythonを用いた実装」という形で一から再収録しました(Rの実装は除いています)。


昨今メディアなどで人工知能、AI 、機械学習と言ったキーワードを聞かない日はありませんが、多くの方は 「興味は持っているものの、何から手を付けて良いのか分からない。」 「数学が苦手でとっつきにくい」 と感じている方も多いのではないでしょうか。

本コースはそのような学習者の為にデザインされたコースです。


文書の翻訳といった分野にとどまらず、IPhoneの音声認識、AmazonやNetfrixなどにおけるお勧め機能、Facebookなどにおける画像認識をはじめ、医療、宇宙開発、拡張現実など、あらゆる領域において活用できる可能性を秘めているのが人工知能・機械学習なのです。

また、世の中で生み出されるデータの量の増加により、今後更なる発展が期待される分野とも言えるでしょう。


その一方で、初学者にとって機械学習を学ぶにはハードルが高いという難点がありました。

機械学習の参考書を手に取ってはみたものの、複雑な数式だらけで挫折してしまった、という方もいらっしゃるかもしれません。

更に、機械学習は異なる領域の専門家がそれぞれの見解を元に書籍が作られているため、学ぶ内容に一貫性がないというもの非常に大きな問題でした。


機械学習を学んだことがあるが、挫折してしまった。そんな方にこそ是非受講して頂きたいコースです。

本コースでは、機械学習で用いられる26のアルゴリズムに関し、まずは直観的な理解をし、その上で実装をしていきます。 難しい数式は極力使わないように配慮していますので、数学に苦手意識がある方でもスムーズに学習を進めることが可能です。

また、それぞれのアルゴリズムをカテゴリに分け、まとめて学習を進めていきますので、それぞれの学習内容が有機的につながっていくでしょう。


本コースの内容は以下のとおりです。

  • Part 1 - データの前処理

  • Part 2 - 回帰: 単回帰, 重回帰, 多項式回帰, サポートベクトル回帰, 回帰木, ランダムフォレスト(回帰)

  • Part 3 - 分類: ロジスティック回帰, K近傍法, サポートベクトルマシン, カーネルSVM, ナイーブベイズ, 分類木, ランダムフォレスト(分類)

  • Part 4 - クラスタリング: K平均法, 階層クラスタリング

  • Part 5 - Association Rule Learning: Apriori, Eclat

  • Part 6 - 強化学習: Upper Confidence Bound, Thompson Sampling

  • Part 7 - 自然言語処理: Bag-of-words model

  • Part 8 - ディープラーニング: 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

  • Part 9 - 次元削減: 主成分分析, 線形判別分析, カーネル PCA

  • Part 10 - Model Selectionとブースティング: k分割交差検証, グリッドサーチ, XGBoost


本講義を終えた時には、機械学習のアルゴリズムに対する理解がぐっと深まっているでしょう。


これからも需要が伸びることが予想される機械学習の分野で、ライバルに差を付けたいという方は、ぜひとも本コースを受講してみてください。

本コースを終えた時には、機械学習に対する見え方が変わっていることをお約束します。


↓全て表示↑少なく表示
 
Users Voice
機械学習について、数々のアルゴリズムの説明が記載されており、更に、直感的な理解からの説明から始まっており分かりやすい。 (参考:Udemy)

↓全て表示 ↑少なく表示
 
レクチャー内容
  1. はじめに
    • ごあいさつ
    • はじめに
    • コースの道筋
    • 機械学習、ディープラーニング、AI(人工知能)の違い
    • 機械学習の具体例
    • 講義を進める上での参考情報
    • 講義で用いていくデータ
    • 講義で用いるデータの扱い方
    • Google Colabの使い方(オンラインで実装)
    • Spyderの使い方(手元のパソコンで実装)
    • コーヒーブレイク1:機械学習のおすすめ本
  2. --------------------Part1 データの前処理--------------------
    • データの前処理
  3. データの前処理
    • 実装で使うフォルダの確認
    • 前処理とは
    • ライブラリのインポート
    • 補足)独立変数と従属変数に分ける理由
    • 補足)ilocメソッド
    • データセットのインポート
    • オブジェクト指向プログラミングの概要(直観的な理解)
    • 欠損値の処理1(欠損値について)
    • 欠損値の処理2(実装)
    • カテゴリ変数のエンコーディングについて
    • 独立変数のエンコーディング
    • 従属変数のエンコーディング
    • 訓練用データセットとテスト用データセットへの分割
    • 補足)訓練用とテスト用にデータセットを分ける理由
    • feature scaling
    • 補足)feature scalingが必要な理由
    • コーヒーブレイク:統計学の追加講義のご案内
  4. --------------------Part2 回帰--------------------
    • 回帰
  5. 単回帰分析
    • 単回帰分析の直観的な理解1
    • 単回帰分析の直観的な理解2(最小二乗法)
    • 実装で使うフォルダの確認
    • 単回帰分析の実装 1
    • 単回帰分析の実装 2
    • 単回帰分析の実装 3
    • 単回帰分析-ボーナス問題
  6. 重回帰分析
    • データセットについて
    • 重回帰分析の直観的な理解1
    • 重回帰分析の直観的な理解2(高次元のイメージをつかむ)
    • 重回帰分析の直観的な理解3(線形回帰の前提)
    • 重回帰分析の直観的な理解4(ダミー変数トラップ)
    • p値について
    • 重回帰分析の直観的な理解5(変数の選択1)
    • 重回帰分析の直観的な理解5(変数の選択2)
    • 重回帰分析の直観的な理解5(変数の選択3)
    • 実装で使うフォルダの確認
    • 重回帰分析の実装1
    • 重回帰分析の実装2
    • 重回帰分析の実装3
    • 重回帰分析の実装4
    • (参考)変数減少法の実装について
    • 重回帰分析-ボーナス問題
  7. 多項式回帰
    • 多項式回帰の直観的な理解1
    • 実装で使うフォルダの確認
    • 多項式回帰の実装1
    • 多項式回帰の実装2
    • 多項式回帰の実装3
    • 多項式回帰の実装4
    • 補足)Polinomial featureが前処理に属する理由
  8. サポートベクトル回帰
    • サポートベクトル回帰の直観的な理解
    • 参考:非線形のSVR(カーネルSVM)
    • 実装で使うフォルダの確認
    • サポートベクトル回帰の実装1
    • サポートベクトル回帰の実装2
    • サポートベクトル回帰の実装3
    • サポートベクトル回帰の実装4
    • 補足)サポートベクトル回帰の実装
    • 補足)SVRではフィーチャースケーリングが必要な理由
  9. 回帰木
    • 回帰木の直観的な理解
    • 実装で使うフォルダの確認
    • 回帰木の実装1
    • 回帰木の実装2
    • 回帰木の実装3
    • 補足)回帰木の実装
  10. ランダムフォレスト(回帰)
    • ランダムフォレストの直観的な理解
    • 実装で使うフォルダの確認
    • ランダムフォレスト(回帰)の実装1
  11. 回帰モデルの評価
    • 決定係数
    • 自由度修正済み決定係数
  12. Pythonにおける回帰モデルのまとめ
    • 実装で使うフォルダの確認
    • 各回帰モデルの評価
    • 回帰のまとめ
  13. --------------------Part3 分類--------------------
    • 分類
  14. ロジスティック回帰
    • ロジスティック回帰の直観的な理解1
    • ロジスティック回帰の直観的な理解2
    • 実装で使うフォルダの確認
    • ロジスティック回帰の実装1
    • ロジスティック回帰の実装2
    • ロジスティック回帰の実装3
    • ロジスティック回帰の実装4
    • ロジスティック回帰の実装5
    • ロジスティック回帰の実装6
    • ロジスティック回帰の実装7
    • 補足)分類の境界が直線になる理由
  15. K近傍法
    • K近傍法の直観的な理解
    • 実装で使うフォルダの確認
    • K近傍法の実装1
    • K近傍法の実装2
    • K近傍法の実装3
  16. サポートベクトルマシン
    • サポートベクトルマシンの直観的な理解
    • 実装で使うフォルダの確認
    • サポートベクトルマシンの実装1
    • サポートベクトルマシンの実装2
    • サポートベクトルマシンの実装3
  17. カーネルSVM
    • カーネルSVMの直観的な理解1
    • カーネルSVMの直観的な理解2(高次元へのプロット)
    • カーネルSVMの直観的な理解3(rbfカーネル)
    • カーネルSVMの直観的な理解4(カーネル関数を使ったサポートベクトル回帰)
    • 実装で使うフォルダの確認
    • カーネルSVMの実装1
    • カーネルSVMの実装2
    • カーネルSVMの実装3
  18. ナイーブベイズ
    • ナイーブベイズの直観的な理解(ベイズの定理)
    • ナイーブベイズの直観的な理解(問題の整理)
    • ナイーブベイズ(車の場合)
    • ナイーブベイズの補足
    • 実装で使うフォルダの確認
    • ナイーブベイズの実装1
    • ナイーブベイズの実装2
    • ナイーブベイズの実装3
  19. 分類木
    • 分類木の直観的な理解
    • 実装で使うフォルダの確認
    • 分類木の実装1
    • 分類木の実装2
    • 分類木の実装3
  20. ランダムフォレスト(分類)
    • ランダムフォレストの直観的な理解
    • 実装で使うフォルダの確認
    • ランダムフォレストの実装1
    • ランダムフォレストの実装2
    • ランダムフォレストの実装3
  21. Pythonにおける分類モデルのまとめ
    • 実装で使うフォルダの確認
    • 各分類モデルの評価
  22. モデルの評価
    • false positiveとfalse negative
    • 混同行列(confusion matrix)
    • accuracy paradox
    • cap curve
    • cap curveの分析
    • 分類のまとめ
  23. --------------------Part4 クラスタリング--------------------
    • クラスタリング
  24. K平均法
    • K近平均の直観的な理解
    • Random Initialization Trap
    • クラスターの数の決め方(エルボー法)
    • 実装で使うフォルダの確認
    • K平均法の実装1
    • K平均法の実装2
    • K平均法の実装3
  25. 階層クラスタリング
    • 階層クラスタリングの直観的な理解
    • 樹形図の作成
    • 実装で使うフォルダの確認
    • 階層クラスタリングの実装1
    • 階層クラスタリングの実装2
    • 階層クラスタリングの実装3
    • 階層クラスタリングの実装4
    • クラスタリングのまとめ
  26. --------------------Part5 Association rule learning--------------------
    • Association rule learning
  27. Apriori
    • Aprioriの直観的な理解
    • 実装で使うフォルダの確認
    • Aprioriの実装1
    • Aprioriの実装2
    • Aprioriの実装3
    • Aprioriの実装4
    • Aprioriの実装5
  28. Eclat
    • Eclatの直観的な理解
    • 実装で使うフォルダの確認
    • Eclatの実装
  29. -------------------Part6 強化学習--------------------
        

    【画像判定AIアプリ開発・パート1】TensorFlow・Python・Flaskで作る画像判定AIアプリ開発入門

    【画像判定AIアプリ開発・パート1】TensorFlow・Python・Flaskで作る画像判定AIアプリ開発入門
    発売日 2017/12/20
    (4.2)

    3.5 total hours
    Python 3 でクローリングして画像データを収集、加工し、画像分類器を作ってみよう。ディープラーニングによるモデル作成、改善を自分の集めたデータで実践します。Flaskでウェブアプリ化, XcodeでiOSアプリ化にも挑戦します。

    *更新情報

    2019/1/19 iOSアプリ化セクションのソースコードをセクションの最後に追加しました。

    2019/1/7 CoreML対応フォーマットに変換し、iOSアプリ化するセクションを完成しました。

    *ただし、実機での実行・アプリ配布にはMacとApple Developerプログラム登録が必要です。

    2018/3/22 Flaskでウェブアプリ化するセクションを追加しました。

    2018/2/10 コマンドラインから画像ファイルを指定して推定を行うプログラムを作成するセクションを追加しました。

    2017年1月にリリースしたTensorFlow入門・ニューラルネットワーク入門コースでは、およそ8,000名の受講生のみなさんが典型的な手書き文字認識問題を体験しました。

    そして多くの受講生のみなさんから「AI分類器を自作して、ビジネスや趣味に活かしたい!」というリクエストを多数いただきました。

    そうしたリクエストに応えるために、このコースは制作されました。

    【コースの概要】

    コース内では、

    1. Pythonでオンラインでクローリングを行い、画像データを収集する

    2. 収集したデータを同じサイズに加工して深層学習の前処理(準備)をする

    3. 前処理をしたデータを用いて、ディープラーニングを実行し、モデルを作成する

    4. モデルを使って、テストデータにより性能評価を行う

    5. より精度を向上させるためのデータの改善を行う

    6. 画像ファイルを与えて推定を行うプログラム(ウェブアプリ・iOSアプリ)を作成する

    というチャレンジをしていきます。

    また、このために必要なAnaconda, Python 3, TensorFlow, Keras, 画像処理ライブラリ, スクレイピング・クローリングライブラリなどの導入や設定についても詳細に解説します。

    あなたが集めたデータを整理してプログラムを実行するとオリジナルの画像分類AIを作れるようになります。

    この講座を受講したら、あなたはどんなAI分類器を作りますか?



    ↓全て表示↑少なく表示
     
    Users Voice
    PythonやAI初級者なので、たいへん勉強になりました。自作のプログラムのブラッシュアップや、機械学習結果の活用方法を検討するのに役立ちそうです。 (参考:Udemy)

    ↓全て表示 ↑少なく表示
     
    レクチャー内容
    1. はじめに
      • このコースの紹介
      • 学習の進め方
    2. 環境構築(Python, Anaconda, TensorFlow CPU版のインストール)
      • Python 3のインストール(Anaconda最新版のインストール)
      • TensorFlow(CPU版)のインストール
    3. 【オプション】TensorFlow GPU版のセットアップ(NVIDIA製GPU搭載マシン使用者のみ。非搭載の方はスキップしてください。)
      • CUDA 9.0のダウンロード
      • CUDA 9.0のインストール
      • cuDNN 7.0のダウンロード・インストール
      • TensorFlow 1.6.0 GPU版のインストール
    4. 画像分類AI自作にチャレンジ
      • アプリの概要
      • データを集めよう
      • FlickrのAPIキーを取得しよう
      • Flickrapiパッケージをインストールしよう
      • コードからFlickrAPIにアクセスしてみよう
      • (オプション)AtomのPython関連プラグインの追加
      • データをダウンロードして保存しよう
      • 不要なデータを削除しよう
      • 画像データをNumPy配列形式に変換しよう
      • 生成した配列データをチェックしよう
      • データを交差検証用に分割しよう
      • トレーニングを実行するコードを作成しよう
      • モデルを定義しよう
      • トレーニングの関数を完成させよう
      • テストを行う関数を完成させよう
      • NumPyのバージョンアップによる変更の影響がある場合の注意
      • TensorFlow 2.3.0, Keras 2.4.3環境で動作させるための改変箇所
      • 学習とテストを実行しよう
      • コードの最適化とセクションのまとめ
      • セクションのソースコード
      • 課題: オリジナルの分類器を作ろう
    5. データの工夫による精度向上にチャレンジしてみよう
      • このセクションの概要
      • データを増量しよう
      • 増幅したデータで学習してみよう
      • データを増幅するコードの修正
      • 課題: データの増幅
      • データの増幅サンプルコード
      • サンプルコード(増幅・トレーニング)
    6. 推定プログラムを作成しよう
      • このセクションの概要
      • モデルを定義・ロードする関数を定義しよう
      • 推定処理を追加して、推定を実行してみよう
      • 課題:推定プログラムの作成
      • サンプルコード
    7. FlaskでWebアプリ化しよう!
      • このセクションの概要
      • Flaskのインストール
      • FlaskでHello World! を表示してみよう!
      • ファイルをアップロードするコードを書こう(1/2)
      • ファイルをアップロードするコードを書こう(2/2)
      • ファイルアップロードのソースコード
      • ファイルアップロード時のエラー処理について
      • ファイルをアップロードしてみよう
      • ソースコード
      • (注意)Flaskのバージョンアップに伴う起動コマンドの変更
      • 画像の識別を実行してみよう
    8. Kerasで生成したモデルを変換してiOSアプリを作ろう
      • セクションの概要
      • 仮想環境の追加とTensorFlow/Kerasのインストール、学習の実行
      • (macOS 10.13) モデルファイルの変換の実行
      • (macOS 10.15 Catalina) CoreML Toolsのインストールと変換の実行
      • (macOS 10.15)bashでのAnacondaの環境変数の設定方法
      • Xcode上でプロジェクトを追加しよう
      • UIパーツを追加しよう
      • IBOutletとIBActionを関連づけよう
      • カメラアクセスを許可する設定をしよう
      • カメラを起動するコードを追加しよう
      • ビルドして実機で実行してみよう
      • モデルを読み込んで推論を実行してみよう
      • このセクションのプロジェクトのソースコード
    9. ボーナスセクション
      • GPU搭載のおすすめPCや、グラフィックスボード情報
      • AI・ディープラーニングのおすすめコース
        

    Pythonで機械学習:scikit-learnで学ぶ識別入門

    Pythonで機械学習:scikit-learnで学ぶ識別入門
    発売日 2016/10/17
    (4.2)

    9 total hours
    pythonの機械学習ライブラリscikit-learnを使って,識別の基本を徹底的にマスターしよう!

    このコースでは,機械学習における識別(分類・認識)の基礎をPythonを用いて学びます.このコースの目標は,機械学習でデータを識別するための一連の流れ(データの準備・前処理・識別器・評価など)を理解することです.Pythonの機械学習ライブラリscikit-learnとインタラクティブなプログラミング環境jupyter notebook (ipython notebook)を使って,実際にpythonコードを実行しながら学びます.

    レクチャーでは,notebook上で実行するpythonコードとその内容を説明します.pythonコードのnotebookはダウンロードできますので,レクチャーを見ながら・見た後で実際に実行することをおすすめします.自分なりに改変・修正すると,さらに理解が高まるでしょう.

    機械学習を理解するためには数学が必要になるのですが,このレクチャーでは(ほとんど)数式を使わず,コードを実行して結果を議論することで,機械学習のコンセプトを伝えるようにしています.理論的なことを知りたい場合には,他の資料を参考にしてください.

    プログラミングの注意:pythonやその他の言語でのプログラミング経験があることを前提にしていますので,python自体の説明は省略しています.


    レクチャーで使用しているnotebookはダウンロードできます.「レクチャー用のnotebookのダウンロードはこちら(ソースコードはここにあります)」というレクチャーを参照してください.


    ↓全て表示↑少なく表示
     
    Users Voice
    機械学習におけるフローがよくわかります。タイタニック号のコンペをしてみたが、どうすれば精度が上がるのかわからない人におすすめ。 (参考:Udemy)

    ↓全て表示 ↑少なく表示
     
    レクチャー内容
    1. 機械学習とは
      • はじめに
      • 識別とは
      • 識別の流れ
      • ラベルについて
      • 回帰とは(ここでは扱わない)
      • 教師あり,教師なし,半教師あり
      • ディープラーニング(深層学習)とは
    2. Jupyter notebookの設定(Pythonプログラミングの環境設定)
      • 環境設定について
      • anacondaの紹介
      • macOS:ダウンロードとインストール
      • macOS:起動と終了
      • macOS:アップデート
      • macOS:ターミナルでの操作
      • windows:ダウンロードとインストール
      • windows:起動と終了
      • windows:アップデート
      • windows:コマンドプロンプトでの操作
      • linux:ダウンロードとインストール
      • linux:起動と終了
      • linux:アップデート
      • linux:ダウングレード
      • linux:GUIのAnaconda navigator
      • linux:anacondaを使わずaptとpipでインストールするなら
      • オプション:dockerを使うなら
      • オプション:どうしてもクラウドというならSageMathCloud
    3. 最初の例題:学習から識別まで
      • ipython notebookの簡単な使い方
      • レクチャー用のnotebookのダウンロードはこちら(ソースコードはここにあります)
      • 参考ウェブサイト
      • 2次元のデータで識別の例 03_01
      • 癌のデータを識別:学習とテストを半々に 03_02
      • アヤメのデータを識別:学習とテストを半々に,したらダメ 03_03
      • アヤメのデータを識別2:学習とテストをランダムに半分に 03_03
      • アヤメのデータを識別3:ランダムに分けて何度も 03_04
    4. 学習データとテストデータの準備
      • 学習データとテストデータの分け方概論
      • 学習データとテストデータが同じ場合 04_01
      • Hold-out 04_02
      • Hold-out 2: stratified 04_03
      • cross validation, stratified 10-fold CV 04_04
      • Leave One Out, Leave-p-out, Leave-one-gruop-out 04_05
      • 学習データ・検証データとテストデータ 04_06
    5. データから特徴量へ
      • データから特徴量へ
      • 欠損値の扱い・データクリーニング 05_01
      • 特徴抽出:テキストデータと特徴量 05_02
      • 特徴抽出:画像データと特徴量 05_02
      • 特徴選択 05_03
      • 特徴変換:PCA 05_04
      • 特徴変換:PCAと次元削減 05_04
      • 特徴変換:非線形(多項式)変換 05_04
      • 標準化 05_05
      • スケーリング 05_05
      • 正規化 05_05
      • PCA白色化 05_05
      • ZCA白色化 05_05
    6. テストデータの評価方法
      • 2クラス問題のconfusion matrix 06_01
      • 2クラス問題で重要なTP, TN, FP, FN 06_01
      • 多クラス問題のconfusion matrix 06_01
      • PCAで文字認識 06_01
      • precisionとrecall 06_02
      • f-measure,f値 06_02
      • precision, recall, f-measureをいっぺんに 06_02
      • 多クラス分類のprecisionとrecall 06_02
      • ROC AUC 06_03
      • ランダムならどうなるROC 06_03
      • average precision, AP 06_03
      • 多クラス問題のmAP 06_03
    7. いろいろな識別器
      • 2クラス識別と多クラス識別 07_01
      • 多クラス識別:One-vs-Rest (ロジスティック回帰) 07_01
      • 多クラス識別:One-vs-Rest (SVM) 07_01
      • 多クラス識別:One-vs-One (SVM) 07_01
      • 多クラス識別:ovrとovoの補足 07_01
      • kNN:最近傍識別器 (NN),k近傍識別器 (kNN) 07_02
      • kNN:KNNの亜種:radius NN 07_02
      • kNN:スケーリングしてKNN 07_02
      • パーセプトロン 07_03
      • パーセプトロン:平面・直線の数式
      • パーセプトロン:学習則
      • パーセプトロン:損失関数
      • パーセプトロン:損失関数をインタラクティブに 07_03
      • パーセプトロン:ランダムな動作 07_03
      • パーセプトロン:癌データの認識 07_03
      • パーセプトロン:まとめ 07_03
      • ロジスティック回帰 07_04
      • ロジスティック回帰:癌データの認識 07_04
      • ロジスティック回帰:2次元データで確率の予測 07_04
      • ロジスティック回帰:別の2次元データでも確率を 07_04
      • SVM:サポートベクターマシン,SVC 07_05
      • SVM:マージン,サポートベクトル,確率 07_05
      • SVM:非線形カーネル(rbf, poly) 07_05
      • SVM:癌データの認識 07_05
      • MLP:多層パーセプトロン 07_06
      • MLP:層を変えてみる 07_06
      • MLP:癌データの認識 07_06
      • ランダムフォレスト:2次元データの認識 07_07
      • ランダムフォレスト:別の2次元データの認識と過学習 07_07
      • ランダムフォレスト:癌データの認識 07_07
    8. パラメータ調整
      • 注意:並列計算のn_jobsの指定
      • 注意:windowsでのグリッドサーチの表示
      • グリッドサーチ:1パラメータのロジスティック回帰 08_01
      • グリッドサーチ:2パラメータのSVM 08_01
      • グリッドサーチ:3パラメータのSVM(linear, rbf) 08_01
      • グリッドサーチ:kNN 08_01
      • ランダムサーチ:多層パーセプトロン 08_01
      • パイプライン:PCAとロジスティック回帰を一緒に 08_02
      • パイプライン:スケーリングとSVMを一緒に 08_02
      • パイプライン:前処理もグリッドサーチで 08_02
      • 正則化パラメータC 08_03
      • 正則化パラメータと過学習 08_03
    9. 学習サンプル数が多いとき
      • linear SVM(lib linear) 09-01
      • inear SVM(liblinear):primalソルバ 09-01
      • linear SVM(liblinear):グリッドサーチ 09-01
      • 確率勾配法 (SGD) 09-02
      • 確率勾配法 (SGD):数式の説明 09-02
      • 確率勾配法 (SGD):グリッドサーチ 09-02
      • 確率勾配法 (SGD):スモールデータの認識 09-02
    10. 例題
      • 20カテゴリのテキスト分類:1 10_01
      • 20カテゴリのテキスト分類:2 10_01
      • 20カテゴリのテキスト分類:3 10_01
      • 20カテゴリのテキスト分類:4 10_01
    11. おわりに
      • まとめ
     
    Preview Video
       

    初心者必見!Pythonでニューラルネット・深層学習を完全攻略

    初心者必見!Pythonでニューラルネット・深層学習を完全攻略
    発売日 2017/10/14
    (4.2)

    7.5 total hours
    Tensorflow + Kerasで難しい数学の基礎知識ゼロでも学べるAIとディープ・ラーニング(CNN・RNN)の基本

    近頃話題の人工知能(じんこうちのう)学習(しんそうがくしゅう)について興味があり、仕事や学習に活かしたい、そう考えている学生や社会人のためのやさしい入門講座です。

    「今流行の深層学習や、Python言語を勉強したい」

    と思って挫折した経験はありませんか?

    実際に専門書を開いてみると難しい専門用語や数式が羅列されて、「とても自分には理解できない」と諦めた人も少なくないのではないでしょうか。

    しかし、プログラミングの経験が無くても数学的知識が無くても心配要りません。

    専門の研究者やデータサイエンティストにでもなるのならともかく、人工知能や深層学習のプログラミングは、高校レベルの数学知識で十分間に合うからです。

    あとは、パソコンを操作できる知識があれば十分です。

    学習終了後には、Python言語のプログラミングスキルと、人工知能プログラミングが身につけられます。

    扱う分野は

    ・CNN

    ・RNN

    ・機械学習

    ・AI(人工知能)

    です。これらについて学習したいかた、もしくは一度学習しようとして挫折してしまったかた。ぜひこの講座でトライしてください!



    ↓全て表示↑少なく表示
     
    Users Voice
    オブジェクト指向の言語の経験がない人でも分かりやすく説明して頂けたと思います。また、CNNの部分も分かりやすかったと思います。 (参考:Udemy)

    ↓全て表示 ↑少なく表示
     
    レクチャー内容
    1. はじめに
      • これから学習を始めるにあたり
      • 自己紹介
      • 講座の概要
    2. Python入門
      • Pythonってどんな言語?
      • 簡単なプログラムの実行(説明編)
      • 簡単なプログラムの実行(実践編)
      • 変数と演算①(説明編)
      • 変数と演算①(実践編)
      • 変数と演算②(説明編)
      • 変数と演算②(実践編)
      • .pyファイルの入力と実行
      • 分岐処理①(説明編)
      • 分岐処理①(実践編)
      • 分岐処理②(説明編)
      • 分岐処理②(実践編)
      • 分岐処理③(説明編)
      • 分岐処理③(実践編)
      • 繰りかえし処理①(説明編)
      • 繰りかえし処理①(実践編)
      • 繰りかえし処理②(説明編)
      • 繰りかえし処理②(実践編)
      • 繰りかえし処理③(説明編)
      • 繰りかえし処理③(実践編)
      • データ構造①(リスト:前編)(説明編)
      • データ構造①(リスト:前編)(実践編)
      • データ構造②(リスト:後編)(説明編)
      • データ構造②(リスト:後編)(実践編)
      • データ構造③(タプル・集合)(説明編)
      • データ構造③(タプル・集合)(実践編)
      • データ構造④(辞書)(説明編)
      • データ構造⑤(辞書)(実践編)
      • 関数①(説明編)
      • 関数①(実践編)
      • 関数②(説明編)
      • 関数②(実践編)
      • モジュール①(説明編)
      • モジュール①(実践編)
      • モジュール②(説明編)
      • モジュール②(実践編)
      • オブジェクト指向①(クラスとオブジェクト)
      • オブジェクト指向②(インスタンスの生成)
      • オブジェクト指向③(複数のインスタンス)
      • オブジェクト指向①~③(実践編)
      • オブジェクト指向④(継承)(説明編)
      • オブジェクト指向④(継承)(実践編)
    3. 人工知能とは何か
      • 人工知能入門①(人工知能とは何か)
      • 人工知能入門②(フレーム問題)
      • 人工知能入門③(第三次AIブーム)
      • 人工知能入門④(人工知能のレベル)
      • 人工知能⑤(チューリングテスト)
      • 人工知能⑥(2045年問題とシンギュラリティ)
      • 機械学習とニューラルネット①(機械学習とは何か)
      • 機械学習とニューラルネット②(教師あり学習)
      • 機械学習とニューラルネット③(教師なし学習・強化学習)
      • 機械学習とニューラルネット④(ニューラルネットとは何か)
      • 機械学習とニューラルネット⑤(パーセプトロン)
      • 機械学習とニューラルネット⑥(バックプロパゲーション)
      • 深層学習とニューラルネット⑦(深層学習)
      • 深層学習とニューラルネット⑧(CNN)
      • 深層学習とニューラルネット⑨(RNN)
      • ニューラルネットの数学的基礎①(使用するライブラリ)
      • ニューラルネットの数学的基礎②(pip・説明編)
      • ニューラルネットの数学的基礎②(pip・実践編)
      • ニューラルネットの数学的基礎③(ベクトル・説明編)
      • ニューラルネットの数学的基礎③(ベクトル・実践編)
      • ニューラルネットの数学的基礎④(行列・説明編)
      • ニューラルネットの数学的基礎④(行列・実践編)
      • ニューラルネットの数学的基礎⑤(matplotlib・説明編)
      • ニューラルネットの数学的基礎⑤(matplotlib・実践編)
      • ニューラルネットの数学的基礎⑥(活性化関数・説明編)
      • ニューラルネットの数学的基礎⑥(活性化関数・実践編)
      • ニューラルネットの数学的基礎⑦(パーセプトロン・説明編)
      • ニューラルネットの数学的基礎⑦(パーセプトロン・説明編)
      • ニューラルネットの数学的基礎⑧(パーセプトロンの限界)
      • ニューラルネットの数学的基礎⑨(多層ニューラルネット)
      • ニューラルネットの数学的基礎⑨(多層ニューラルネット)
      • ニューラルネットの数学的基礎⑩(ニューラルネットの限界とまとめ)
      • Tensorflow+Kerasで深層学習(導入)
      • Tenforflow+Kerasで深層学習(condaでインストール)
      • Tensorflow+Kerasで深層学習①(アヤメの分類①)
      • Tensorflow+Kerasで深層学習②(アヤメの分類②(説明編))
      • Tensorflow+Kerasで深層学習②(アヤメの分類②(実践編))
      • Tensorflow+Kerasで深層学習③(アヤメの分類③(説明編))
      • Tensorflow+Kerasで深層学習③(アヤメの分類④(実践編))
      • Tensorflow+Kerasで深層学習④(アヤメの分類④(説明編))
      • Tensorflow+Kerasで深層学習④(アヤメの分類④(実践編))
      • Tensorflow+Kerasで深層学習⑤(アヤメの分類⑤(説明編))
      • Tensorflow+Kerasで深層学習⑤(アヤメの分類⑤(実践編))
      • Tensorflow+Kerasで深層学習⑥(MNINSTの構造(説明編))
      • Tensorflow+Kerasで深層学習⑦(CNNの構築(説明・編))
      • Tensorflow+Kerasで深層学習⑦(CNNの構築実践編))
      • 講座を終えるにあたり
        

    関連:DjangoでWeb開発の講座

    以下では、Pythonで人気のWeb開発フレームワーク「Django」に関する人気講座を別途まとめています、合わせてのぞいて見てください。

     

    関連:Pythonを本でも学ぼう

    UdemyのPython講座は上述したとおり、Pythonの基礎構文から応用まで、幅広く学べる非常にパフォーマンスの高い学習法。

    ただ、リファレンスとしては動画だと見返しづらい側面もありますので、書籍も併用しながら学習すると良いかと思います。

    Pythonの参考書は以下で紹介しています。合わせて参照ください。

    いじょうでっす。

    コメント

    タイトルとURLをコピーしました