このカテゴリの記事
- 01 生成AIパスポートとは? AIの入り口
- 02 AIの定義 - 人工知能ってなに? AIの入り口
- 03 AIの誕生 - ダートマス会議 AIの入り口
- 04 第一次AIブーム - 探索と推論の時代 AIの入り口
- 05 第二次AIブーム - エキスパートシステム AIの入り口
- 06 AIの冬の時代 - なぜブームは終わったのか AIの入り口
- 07 第三次AIブーム - 機械学習の台頭 AIの入り口
- 08 第四の波 - 生成AI革命 AIの入り口
- 09 特化型AIと汎用AI(AGI) AIの入り口
- 10 AI・機械学習・深層学習の関係 AIの入り口
- 11 データの重要性 - AIは燃料がないと動かない AIの入り口
- 12 ビッグデータとは - 3つのVで理解する AIの入り口
- 13 構造化データと非構造化データ AIの入り口
- 14 データの前処理 - 汚れたデータをきれいにする AIの入り口
- 15 データのバイアス - 偏りが生む落とし穴 AIの入り口
- 16 AIの学習と推論 - 2つのフェーズ AIの入り口
- 17 過学習(オーバーフィッティング)とは AIの入り口
- 18 精度・再現率・F値 - AIの成績表 AIの入り口
- 19 AI開発の流れ - 企画から運用まで AIの入り口
- 20 PoC(概念実証)とは - まず小さく試す AIの入り口
- 21 AIと人間の協働 - 得意分野を活かす AIの入り口
- 22 AIにできること・できないこと AIの入り口
- 23 AIの社会実装 - 実験から現場へ AIの入り口
- 24 身近なAIサービス - スマホの中のAI AIの入り口
- 25 Phase 1 まとめ - AI基礎の総復習 AIの入り口
- 26 機械学習とは - データから学ぶAI 機械学習の基礎
- 27 教師あり学習 - 正解つきデータで学ぶ 機械学習の基礎
- 28 分類問題 - 犬か猫かを当てる 機械学習の基礎
- 29 回帰問題 - 明日の気温を予測する 機械学習の基礎
- 30 教師なし学習 - 正解なしで構造を見つける 機械学習の基礎
- 31 クラスタリング - データをグループ分け 機械学習の基礎
- 32 次元削減 - 情報を圧縮する技術 機械学習の基礎
- 33 強化学習 - 試行錯誤で学ぶAI 機械学習の基礎
- 34 報酬と方策 - 強化学習の仕組み 機械学習の基礎
- 35 特徴量エンジニアリング - AIへの翻訳作業 機械学習の基礎
- 36 訓練・検証・テストデータの使い分け 機械学習の基礎
- 37 交差検証 - 限られたデータを有効に使う 機械学習の基礎
- 38 決定木 - 質問を繰り返して答えを出す 機械学習の基礎
- 39 ランダムフォレスト - 木を束ねて精度アップ 機械学習の基礎
- 40 サポートベクターマシン(SVM) 機械学習の基礎
- 41 k近傍法(k-NN) - ご近所さんに聞く分類 機械学習の基礎
- 42 線形回帰 - 直線でデータを表す 機械学習の基礎
- 43 ロジスティック回帰 - 確率で分類する 機械学習の基礎
- 44 勾配降下法 - 山を下って最適解へ 機械学習の基礎
- 45 損失関数 - AIの間違いを数値化する 機械学習の基礎
- 46 正則化 - 過学習を防ぐブレーキ 機械学習の基礎
- 47 アンサンブル学習 - 三人寄れば文殊の知恵 機械学習の基礎
- 48 バギングとブースティング 機械学習の基礎
- 49 ハイパーパラメータ調整 機械学習の基礎
- 50 混同行列 - 分類結果を整理する表 機械学習の基礎
- 51 ROC曲線とAUC - モデルの総合力を測る 機械学習の基礎
- 52 学習不足(アンダーフィッティング) 機械学習の基礎
- 53 バイアスとバリアンスのトレードオフ 機械学習の基礎
- 54 機械学習パイプライン - 自動化された学習工程 機械学習の基礎
- 55 Phase 2 まとめ - 機械学習の総復習 機械学習の基礎
- 56 深層学習とは - 多層のニューラルネット 深層学習の基礎
- 57 パーセプトロン - ニューロンの数学モデル 深層学習の基礎
- 58 ニューラルネットワークの構造 深層学習の基礎
- 59 活性化関数 - ReLU・Sigmoid・Softmax 深層学習の基礎
- 60 誤差逆伝播法 (バックプロパゲーション) 深層学習の基礎
- 61 CNN - 画像を理解するニューラルネット 深層学習の基礎
- 62 畳み込みとプーリングの仕組み 深層学習の基礎
- 63 CNNの応用 - 画像認識・物体検出 深層学習の基礎
- 64 RNN - 時系列を理解するニューラルネット 深層学習の基礎
- 65 LSTMとGRU - 長い記憶を保つ技術 深層学習の基礎
- 66 Seq2Seq - 翻訳を可能にしたモデル 深層学習の基礎
- 67 オートエンコーダ - データを圧縮して復元 深層学習の基礎
- 68 GAN - 偽物を作って本物に近づける 深層学習の基礎
- 69 転移学習 - 学んだ知識を別の問題に使う 深層学習の基礎
- 70 事前学習モデル - 巨人の肩に乗る 深層学習の基礎
- 71 ファインチューニングの基本 深層学習の基礎
- 72 ドロップアウト - わざとサボらせて強くする 深層学習の基礎
- 73 バッチ正規化 - 学習を安定させる技術 深層学習の基礎
- 74 最適化手法 - SGD・Adam・AdaGrad 深層学習の基礎
- 75 GPUの重要性 - なぜGPUが必要なのか 深層学習の基礎
- 76 深層学習フレームワーク - PyTorch・TensorFlow 深層学習の基礎
- 77 深層学習 vs 従来の機械学習 深層学習の基礎
- 78 深層学習の課題 - ブラックボックス問題 深層学習の基礎
- 79 深層学習の進化の歴史 - AlexNetからGPTまで 深層学習の基礎
- 80 Phase 3 まとめ - 深層学習の総復習 深層学習の基礎
- 81 基盤モデル(Foundation Model)とは 深層学習の基礎
このカテゴリで扱うテーマ
- 人工知能の定義と歴史
- 機械学習の基本概念
- 教師あり学習・教師なし学習・強化学習
- ニューラルネットワーク
- 深層学習 (ディープラーニング) の基礎