この章では、機械学習の定義と、データサイエンスおよび人工知能との関係を説明します。次に、機械学習における重要な用語を整理し、最後にモデルを構築するための機械学習ワークフローを学びます。

機械学習とは？

映画レコメンデーションを生成する

AI、データサイエンス、機械学習がバーに入ると…

機械学習について正しいのはどれ？

機械学習の概念

機械学習用語

教師あり学習と教師なし学習

機械学習のワークフロー

モデル構築のステップ

正しいステップ

機械学習の基礎を学んだところで、もう少し深く掘り下げましょう。この章の終わりには、機械学習のさまざまな種類を理解し、モデルの評価と改善の方法もわかるようになります。

教師あり学習

ウォームアップ

タスク

分類

回帰

分類と回帰を見分ける

教師なし学習

教師あり

教師なし

教師はいらない？

クラスターを調べる

モデルの性能を評価する

正しい

誤り

正誤問題

混同行列に迷い込む

モデルの性能の改善する

選択肢

ハイパーパラメータチューニング

次元削減

アンサンブル法

頂点への道のりは長い

ハイパーパラメータチューニングを試す

機械学習モデル

この章では、ニューラルネットワークを入り口としてディープラーニングを解説します。次に、ディープラーニングの代表的なユースケースであるコンピュータービジョンと自然言語処理について詳しく見ていきます。最後に、機械学習の限界とリスクについて考え、コースを締めくくります。

ディープラーニング

ディープラーニングとは？

ディープラーニングを使うべき？

コンピュータービジョン

画像データ

処理の流れ

自然言語処理

感情分析

機械学習タスクの分類

Bag of words

機械学習の限界

ブラックボックスか、説明可能AIか？

ローンの債務不履行予測におけるバイアスの発見

終わりに

Course Glossary: Understanding Machine Learning

機械学習はなぜこれほど注目されているのでしょうか？この非技術者向けコースでは、機械学習について、今まで聞きたくても聞けなかったことをすべて学べます。コーディングは不要です。実践的な演習を通じて専門用語への苦手意識をなくし、自動運転車からAmazonのパーソナライズされたショッピング提案まで、この刺激的な技術がさまざまな仕組みをどのように支えているのかを学びます。

機械学習はどのように機能するのか、どのような場面で使えるのか、AIと機械学習は何が違うのか。こうした内容をすべて取り上げます。非常に需要が高く、影響力のあるこの分野のスキルを身につけ、機械学習が誰にとっても身近なものである理由を理解しましょう。

動画にはライブトランスクリプトが用意されており、動画左下の「Show transcript」をクリックするとアクセスできます。

コースの用語集は、右側のリソースセクションにあります。

CPEクレジットを取得するには、コースを修了し、認定アセスメントで70%以上のスコアを獲得する必要があります。右側にあるCPEクレジットの案内をクリックすると、アセスメントに進めます。

<h2>機械学習の概念を学ぶ入門</h2> 
機械学習の熱狂の裏には何があるのでしょうか？この非技術系のコースでは、機械学習について、これまで怖くて聞けなかったことをすべて学べます。 コーディングは不要です。
<br><br>
機械学習の学習を始めるために必要な、基本的でありながら重要な概念を学び、実践的な演習を通して知識をしっかりと定着させます。 これには、専門用語を超えた理解を深め、この刺激的なテクノロジーが自動運転車からAmazonのおすすめショッピング提案まで、あらゆるものを支えている仕組みを学ぶことが含まれます。 
<br><br>
<h2>機械学習の基礎を学ぶ</h2> 
機械学習はどのように機能し、いつ使うことができ、AIと機械学習の違いは何でしょうか？このコースでは、これらすべてのトピックを扱います。
<br><br>
機械学習とは何かをひも解くところから始め、基本的な定義や、データサイエンスおよび人工知能との関係を学びます。 その後、その語彙に慣れ、最後にモデル構築のための機械学習ワークフローで締めくくります。
<br><br>
コースの締めくくりとして、ディープラーニングをさらに深く掘り下げます。 ディープラーニングの2つの代表的な活用例であるコンピュータビジョンと自然言語処理（NLP）を学び、機械学習の限界と危険性についても理解します。

機械学習入門コースでは、基本概念を学びます。用語、モデル、ディープラーニングを含みます。

機械学習を理解する

コーディング不要で学べる、機械学習の入門コース。

AIの基礎

データトピックの理解

顧客情報（登録日、注文頻度、年齢、婚姻状況）をもとに、顧客の年間購入額を予測する。

メールの特徴（送信者、トピック、大文字の割合、「money」という単語の割合）をもとに、そのメールがスパムかどうかを予測する。

株価情報（各日の始値、高値、安値、終値）をもとに、将来の株価を予測する。

顧客情報（登録日、注文頻度、年齢、婚姻状況、購入額、収入）をもとに、顧客セグメントを見つける。

顧客の購入履歴をもとに、次に興味を持ちそうな商品を見つける。

メール情報（送信者、トピックなど）をもとに、テーマごとのメールのグループを見つける。

教師はいらない？

機械学習を理解する

実践的なインタラクティブ演習