機械学習概論〜ディープラーニングGAN、本格的に学べる全20時間の大学講義が無償公開:AI・機械学習の独学リソース
機械学習概論、単回帰、重回帰から、k-means、主成分分析、ニュートラルネットワーク、CNN/RNN/GANまで、全20回の講義概要と目次を紹介。本稿独自に考察した、難易度や前提知識、お勧めの学習方法、注意点についても示す。
機械学習を本格的に学べる全20回の講義動画が、筑波大学オープンコースウェア(TSUKUBA OCW)で無償公開された(2019年9月6日)。TSUKUBA OCWとは、筑波大学が社会に向けて教育コンテンツを無償提供している公式プラットフォームで、さまざまな講義動画が既に公開されている。本稿で紹介する「機械学習」の講義動画は、下記のリンク先から視聴できる。
講義の内容
講義概要については、
計算機による自律的な学習を目指す機械学習や、大規模情報源からの知識発見を実現するデータマイニングの理論について、教師付き学習、教師なし学習を中心に理解する
と説明されている。全20回の講義の目次は以下のようになっている。
- 機械学習概論と単回帰(1)
- 機械学習概論と単回帰(2)
- 重回帰(1)
- 重回帰(2)
- モデルの複雑さと汎化(1)
- モデルの複雑さと汎化(2)
- 特徴選択とL1正則化(1)
- 特徴選択とL1正則化(2)
- 決定的識別モデル(1)
- 決定的識別モデル(2)
- カーネル/確率的識別モデル1(1)
- カーネル/確率的識別モデル1(2)
- 確率的識別モデル2/経験損失最小化(1)
- 確率的識別モデル2/経験損失最小化(2)
- k-meansと主成分分析(1)
- k-meansと主成分分析(2)
- ニュートラルネットワーク1 基礎とCNN(1)
- ニュートラルネットワーク1 基礎とCNN(2)
- ニュートラルネットワーク2 RNNとGAN(1)
- ニュートラルネットワーク2 RNNとGAN(2)
講義の特徴と学習方法
なお、以降に掲載する画像は、講義動画からスクリーンキャプチャーして引用したものである。
難易度と前提知識
筆者は2回分の講義までを視聴してみたが(他はざっくりと視聴した)、理解しやすい講義内容だと感じた。概念的な部分は資料/スライドを使って説明し(図2)、図示や計算方法の説明は黒板を使って解説している(図3)。
また、講義の中で演習問題も出されるので(※そのタイミングで動画を止めて自分で計算などする必要がある)、自分の頭で考えながら学べるのもメリットだ(図4)。
ただし、あくまで大学での講義である。基礎的な数学知識は必要となる。例えば微分の意味などが当然のように説明されずに、勾配方法の説明で使われることもある(図3)。分からない数学の用語や記号がもし出てきた場合は、このタイミングで復習/学習してみるとよいだろう。
お勧めの学習方法
1回の講義が、1時間となっている。また、この講義の録画は、2時間まとめて行っている。上記の目次で、(1)(2)となっているのはそのためだ。なお、2回ごとの講義の最後に、宿題が出される場合もある(※後述の注意点を参照)。
よって、週に1回、土日などで2時間分をまとめて視聴し、それを1週間かけて復習して身に付ける。それを10週=約2カ月半をかけて学んでいくのがちょうどよいペースではないかと感じた(※あくまで、本稿が提案する勉強ペースである。もちろん実際には、皆さんの個々のペースに合わせて学べばよい)。
注意点
公開されているのは動画だけである。資料自体は公開されていないので、特に宿題の演習問題がスライドに投影されていない場合は、どういう宿題かよく分からない場合がある。
また、TSUKUBA OCWの利用上の注意点については、公式ページの下記リンク先を参照してほしい。
Copyright© Digital Advantage Corp. All Rights Reserved.