AI 深層学習 のおすすめの教材8選！ 【 2024年11月 最新版】

【PyTorchとは?】

PyTorchとはFacebook AI Researchが開発している深層学習のフレームワークです。KerasやTensorFlowといった他のフレームワークと比較して、Define by Runという計算しながらモデルを作る性質や、クラスを使って複数のパーツから複雑なAIのモデルを組むことが出来る点からモデル構築の柔軟性という面で非常に優れます。この為、近年、国内外の研究者を中心としてシェアが急激に伸びてきています。

【人事の方/マネージャークラスの方へ】

本コースは次のような使い方が可能です。

・社内でAI人材を育成したい

・デジタル人材の育成をなるべく効率よく行いたい

本コースは深層学習フレームワークのPyTorchにフォーカスし、特に理論よりも実践に重きを置いています。

この為、Hands On形式で短時間且つ効率よくAI人材育成が可能です。

また、転移学習やデータ拡張、カスタムデータセットなど業務で実際に使用する可能性の高い内容の解説をしていますので、修了はしたが、手は動かないなどは比較的少ないと思われます。

【対象者とゴール】

Pythonの基本的なプログラミング知識があり、教科書・参考書などで機械学習や深層学習を既にある程度知っているエンジニアや研究者の方を対象に、PyTorchにおけるプログラミングを通して深層学習の基礎を固めるコースです。本コースのゴールは"機械学習を知っている"から"機械学習を使える"へとステップアップする事です。

【ハンズオン】

本コースはハンズオンという形式で、Google Colab上でデータの準備⇒深層学習のモデル作成⇒損失関数・オプティマイザの設定⇒学習・評価という一連の流れをスクラッチから講師と一緒に実装していきます。

機械学習を”知っている状態"から実際に"使える状態"になるには、実際にプログラミングをして手を動かすことが非常に重要です。

例えば、教科書的な知識として、活性化関数(シグモイド関数 / Tanh / ReLU)を知っていたとします。この時、実際にどの活性化関数を使えばよいのか、こういった問いに対する答えは"実際に試してみる"という事です。

機械学習や深層学習の分野では理論的に答えを出せる場合もありますが、ヒューリスティック(経験的)に見つけるといった場合が非常に多いです。この為、本コースでは手を動かしてプログラムを実装する（Hands On）という事を非常に重視しています。

【コースの概要】

詳細は本コースの概要説明をご覧ください。

本コースは機械学習・深層学習の復習やPyTorchのライブラリの基本的な使い方など基礎的な内容から段階的にステップアップしていきます。

この為、無理なくステップアップすることが出来ます。

    【PyTorchの基礎】

1. 本コースの概要

2. Tensorとは

3. GoogleColabの使い方

4. PyTorchの基本的な使い方

5. 自動微分

6. 機械学習の流れ

7. PyTorchプログラミングの流れ

8. ソースコードの配布

   
   

   【深層学習の基礎1】

9. 線形回帰

10. MLPによる手書き数字の分類(MNIST) 概要

11. MLPによる手書き数字の分類(MNIST) 実装

12. モデルの保存・読み込み

13. CNNによるクラス分類(CIFAR 10) 概要

14. CNNによるクラス分類(CIFAR 10) 実装

    
    

    【深層学習の基礎2】

15. データ拡張とは

16. データ拡張の効果の検証

17. 転移学習 概要

18. 転移学習 実装

19. オートエンコーダー 概要

20. オートエンコーダー 実装

21. グラフの読み方

22. ResNet 概要

23. ResNet 実装

24. カスタムデータセット 概要

25. カスタムデータセット 実装

26. LSTMとは

27. LSTM 実装

まずは無料プレビューできる動画が30分以上あります。プレビューだけでも見ていってください。

1. PyTorchの基礎・機械学習の復習
2. 本コースの概要
3. 予備知識チェックとオススメの受講方法
4. Tensorとは
5. Google Colabの使い方
6. PyTorchの基本的な使い方
7. 自動微分
8. 機械学習の流れ
9. PyTorchプログラミングの流れ
10. ソースコードの配布とPyTorchの仕様変更について
11. PyTorchによる深層学習の基礎
12. 線形回帰
13. MLPによる手書き数字(MNIST)の分類 概要
14. MLPによる手書き数字(MNIST)の分類 実装 ~モデル構築~
15. MLPによる手書き数字(MNIST)の分類 実装 ~学習~
16. モデルの保存・読み込み
17. CNNによるクラス分類(CIFAR 10) 学習 概要
18. CNNによるクラス分類(CIFAR 10) 実装 ~モデル構築~
19. CNNによるクラス分類(CIFAR 10) 実装 ~学習・検証~
20. データ拡張 概要
21. データ拡張 実装
22. PyTorchによる深層学習の基礎2
23. 転移学習 概要
24. 転移学習 実装 ~データセット~
25. 転移学習 実装 ~モデル構築・学習~
26. 補足：ImageFolderについて
27. オートエンコーダー 概要
28. オートエンコーダー 実装 ~モデル構築~
29. オートエンコーダー 実装 ~学習~
30. グラフの読み方
31. ResNet 概要
32. ResNet 実装
33. カスタムデータセット 概要
34. カスタムデータセット 実装
35. LSTM 概要
36. LSTM 実装 ~モデル構築~
37. LSTM 実装 ~学習~
38. ボーナスレクチャー
39. クラスの基礎
40. AutoEncoderのnotebook

本コースは、ディープラーニングをゼロから実装する講座です。

TensorFlowやChainerなどのフレームワークを使わずに、畳み込みニューラルネットワーク（CNN）までゼロから構築できるようになりましょう。

ディープラーニングをフルスクラッチで構築することにより、普遍的な原理がしっかりと身につきます。

人工知能（AI）、特にその一分野であるディープラーニングは世界中の人々の関心を集めており、自動運転、ファイナンス、流通、アート、研究、さらには宇宙探索に到るまで、様々な分野で活用をされ始めています。

本コースは、可能な限り多くの方がディープラーニングの本質を学ぶことができるように、プログラミングと数学から始めて畳み込みニューラルネットワークに至るまで、手を動かしながら少しずつ丁寧に学べるように設計されています。

また、扱うコードは直感的な分かりやすさを重視し、可能な限りシンプルで可読性の高いコードを心がけています。 

本コースには前提となる知識が2つあります。

1つ目は、何らかのプログラミング言語の経験です。

本コース内でもPythonの解説をしますが、何からのプログラミング言語の経験があると学習がスムーズになります。

プログラミングが全くの初心者の方は、他のコースで基礎を身につけた上で本コースに臨むことをお勧めします。

2つ目は、中学-高校レベルの数学の知識です。

本コース内でもディープラーニングに必要な数学の解説をしますが、ベースとなる数学の知識があった方が望ましいです。

数学に自信のない方は、他のコースで数学を学んだ上で本コースに臨むことをお勧めします。

————————————————————

本コースの主な内容は以下の通りです。

Pythonの基礎

→ ディープラーニングを学ぶために必要なPythonの基礎を学びます。

数学の基礎

→ ディープラーニングを学ぶのに必要な数学のベースを身につけます。

ニューラルネットワーク

→ ニューラルネットワークの原理と仕組みを学び、簡単なニューラルネットワークのコードを実際に構築します。

バックプロパゲーション

→ 誤差の逆伝播により、ニューラルネットワークが学習する仕組みを学びます。

ディープラーニング

→ ここまで学んできた内容をベースに、層をいくつも重ねた深層学習を構築します。

畳み込み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をゼロから構築します。

————————————————————

本コースは動画を見るのみでも学習が進められるようになっていますが、可能であればPythonのコードをダウンロードして動かしながら進めるのをお勧めします。

コードがダウンロード可能なので、これをベースにオリジナルのディープラーニングのコードを書いてみることもお勧めです。

ディープラーニングには非常に長い時間がかかる場合もありますが、本コースのコードは長くても数十秒程度で実行可能です。

本格的なAI開発につながる拡張性を確保しつつも、小さな試行錯誤を何度も繰り返すことができる作りになっています。

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。

ディープラーニングをゼロから構築しその原理を身につけていただくことが本コースの目的です。

本コースを修了した方は、知的好奇心が刺激されてディープラーニングや人工知能ののことをさらに知りたくなっているかと思います。

1. イントロダクション
2. コースの概要
3. ディープラーニングの概要
4. 学習の準備
5. Anacondaのインストール
6. （補足 2022.7）Anaconda有償化への対応について
7. Jupyter Notebookの使い方
8. 教材のダウンロードとコースの学び方
9. Pythonの基礎
10. Pythonの基礎1
11. Pythonの基礎2
12. NumPyの基礎
13. matplotlibの基礎
14. 数学の基礎
15. 数学の基礎
16. 線形代数の基礎
17. 微分の基礎
18. 正規分布
19. ニューラルネットワーク
20. ニューラルネットワークの概要
21. 単一ニューロンの計算
22. 順伝播と逆伝播
23. 層間の計算
24. 回帰と分類
25. 活性化関数
26. 単一ニューロンの実装
27. ニューラルネットワークの構築（回帰）
28. ニューラルネットワークの構築（分類）
29. バックプロパゲーション
30. バックプロパゲーションの概要
31. 訓練データとテストデータ
32. 損失関数
33. 勾配降下法
34. 出力層の勾配
35. 中間層の勾配
36. エポックとバッチ
37. 行列による順伝播の演算
38. 行列による逆伝播の演算
39. 学習の準備
40. 層のクラスによる実装
41. 回帰の例を実装
42. 分類の例を実装
43. ディープラーニング
44. ディープラーニングが抱える問題
45. 最適化アルゴリズム
46. Irisデータセット
47. 学習の準備
48. 各層の実装
49. 全体のコードと実行結果
50. ドロップアウト
51. 畳み込みニューラルネットワーク（CNN）
52. 畳み込みニューラルネットワークの概要
53. im2colとcol2im
54. 畳み込み層の実装
55. プーリング層の実装
56. 学習の準備
57. CNNの実装
58. ボーナスレクチャー
59. ボーナスレクチャー

近頃話題の人工知能（じんこうちのう）や深層学習（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！

1. はじめに
2. これから学習を始めるにあたり
3. 講座の概要
4. 自己紹介
5. Python入門【基本編】
6. Pythonってどんな言語？
7. 簡単なプログラムの実行（説明編）
8. 簡単なプログラムの実行（実践編）
9. 変数と演算①（説明編）
10. 変数と演算①（実践編）
11. 変数と演算②（説明編）
12. 変数と演算②（実践編）
13. Python振り返り①
14. .pyファイルの入力と実行
15. 分岐処理①（説明編）
16. 分岐処理①（実践編）
17. 分岐処理②（説明編）
18. 分岐処理②（実践編）
19. 分岐処理③（説明編）
20. 分岐処理③（実践編）
21. 分岐処理
22. 繰りかえし処理①（説明編）
23. 繰りかえし処理①（実践編）
24. 繰りかえし処理②（説明編）
25. 繰りかえし処理②（実践編）
26. 繰りかえし処理③（説明編）
27. 繰りかえし処理③（実践編）
28. Python入門【中級編】
29. データ構造①（リスト：前編）（説明編）
30. データ構造①（リスト：前編）（実践編）
31. データ構造②（リスト：後編）（説明編）
32. データ構造②（リスト：後編）（実践編）
33. データ構造③（タプル・集合）（説明編）
34. データ構造③（タプル・集合）（実践編）
35. データ構造④（辞書）（説明編）
36. データ構造⑤（辞書）（実践編）
37. 関数①（説明編）
38. 関数①（実践編）
39. 関数②（説明編）
40. 関数②（実践編）
41. Python入門【応用編】
42. モジュール①（説明編）
43. モジュール①（実践編）
44. モジュール②（説明編）
45. モジュール②（実践編）
46. オブジェクト指向①(クラスとオブジェクト）
47. オブジェクト指向②（インスタンスの生成）
48. オブジェクト指向③（複数のインスタンス）
49. オブジェクト指向①～③（実践編）
50. オブジェクト指向④（継承）（説明編）
51. オブジェクト指向④(継承）（実践編）
52. 人工知能とは何か
53. 人工知能とは何か
54. フレーム問題
55. 第三次AIブーム
56. 人工知能のレベル
57. チューリングテスト
58. 2045年問題とシンギュラリティ
59. 深層学習とニューラルネットワークの基礎
60. 機械学習とは何か
61. 教師あり学習
62. 教師なし学習・強化学習
63. 人口ニューロンの誕生
64. パーセプトロン
65. パーセプトロンの限界
66. ニューラルネットワーク
67. 深層学習
68. CNNとRNN
69. ニューラルネットワークの数学的基礎
70. 環境構築
71. JupyterNotebookの使い方①
72. JupyterNotebookの使い方②
73. ベクトル【説明編】
74. ベクトル【実践編】
75. 行列【説明編】
76. 行列【実践編】
77. matplotlib【説明編】
78. matplotlib【実践編】
79. 活性化関数【説明編】
80. 活性化関数【実践編】
81. パーセプトロン【説明編】
82. パーセプトロン【実践編】
83. 多層ニューラルネットワーク【説明編①】
84. 多層ニューラルネットワーク【説明編②】
85. 多層ニューラルネットワーク【実践編】
86. 局所解と過学習
87. Tensorflow+Kerasを用いたニューラルネットワークの実装
88. パーセプトロンの実装【説明編①】
89. パーセプトロンの実装【説明編②】
90. パーセプトロンの実装【説明編③】
91. パーセプトロンの実装【実践編】
92. 3層ニューラルネットワークの実装【説明編】
93. 3層ニューラルネットワークの実装【実践編】
94. アヤメの分類【説明編①】
95. アヤメの分類【説明編②】
96. アヤメの分類【実践編】
97. 数字の分類【説明編①】
98. 数字の分類【説明編②】
99. 数字の分類【実践編】
100. 深層学習（CNN）
101. CNNの構築【説明編①】
102. CNNの構築【説明編②】
103. CNNの構築【説明編③】
104. CNNの構築【実践編】
105. 深層学習とGPU
106. 講座を終えるにあたり

本コースのゴールは、PyTorchを使ってディープラーニングが
実装できるようになることです。

PyTorchを使ってCNN（畳み込みニューラルネットワーク）、RNN（再帰型ニューラルネットワーク）などの技術を順を追って幅広く習得し、人工知能を搭載したWebアプリの構築までを行います。

各ディープラーニング技術の要点を解説した上で、PyTorchのコードを基礎から丁寧に解説します。

注: 本コースに先立ちYouTubeでのライブ講義【Live人工知能】がありました。本コースの動画はこのライブ講義をUdemy用に再構成したものになります。

PyTorchはオープンソースの機械学習ライブラリで、簡潔さ、柔軟性、速度のバランスに優れているため人気が急上昇中です。

また、簡潔な記述が可能なため、最新の研究成果の実装によく使われています。

海外を中心にコミュニティ活動が活発で、ネット上の情報が豊富なのもメリットです。

本コースでは開発環境にGoogle Colabを利用するので、環境構築にはほとんど手間がかかりません。

GPUが無料で利用できるので、コードの実行時間も短縮できます。 

効率よくPyTorchを習得できるように、様々な工夫を凝らしています。

PyTorchを包括的に学び、皆さんの技術的な可能性を大きく広げましょう。

————————————————————

本コースの主な内容は以下の通りです。

イントロダクション

→ PyTorchの概要、ディープラーニングの概要、そしてPyTorchの基礎であるTensorについて解説します

PyTorchで実装する簡単なディープラーニング

→ 可能な限りシンプルなコードで、ディープラーニングを実装します

PyTorchの様々な機能

→ 自動微分、DataLoaderなどのPyTorch特有の機能について解説します

畳み込みニューラルネットワーク（CNN）

→ CNNの原理を学んだ上で、CNNによる画像分類をデータ拡張、ドロップアウトとともに実装します

再帰型ニューラルネットワーク（RNN）

→ RNNの原理を学んだ上で、シンプルなRNNの構築、およびRNNによる画像生成を行います

AIアプリのデプロイ

→ 学習済みモデルを活用した人工知能Webアプリを構築します

なお、ディープラーニングの数学的背景については最小限の解説となりますのでご注意ください。

Pythonの基礎についての解説動画はありませんが、テキストがダウンロード可能です。

————————————————————

本コースでは可能な限り丁寧な解説を心がけていますが、ある程度ご自身で調べることも必要になるのでご注意ください。

動画を見るのみでも学習が進められるようになっていますが、可能であればPythonのコードを動かしながら進めることをお勧めします。

コードがダウンロード可能ですので、これをベースに様々なカスタマイズを行うこともお勧めです。


それでは、PyTorchを使って一緒に楽しく本格的な人工知能を学んでいきましょう。

1. イントロダクション
2. 教材の使用方法
3. 講座の概要
4. ディープラーニングとは
5. PyTorchとは
6. Google Colaboratoryの使い方
7. Tensorについて
8. 演習: イントロダクション
9. 質疑応答: イントロダクション
10. PyTorchで実装する簡単なディープラーニング
11. セクション2の教材
12. 第2講の概要
13. 勾配降下法
14. 活性化関数と損失関数
15. 最適化アルゴリズム
16. 簡単なディープラーニングの実装
17. 演習: PyTorchで実装する簡単なディープラーニング
18. 質疑応答: PyTorchで実装する簡単なディープラーニング
19. PyTorchの様々な機能
20. セクション3の教材
21. 第3講の概要
22. 自動微分
23. エポックとバッチ
24. DataLoader
25. 演習: PyTorchの様々な機能
26. 質疑応答: PyTorchの様々な機能
27. 畳み込みニューラルネットワーク（CNN）
28. セクション4の教材
29. 第4講の概要
30. CNNの概要
31. データ拡張
32. ドロップアウト
33. CNNの実装
34. 演習: 畳み込みニューラルネットワーク（CNN）
35. 質疑応答: 畳み込みニューラルネットワーク（CNN）
36. 再帰型ニューラルネットワーク（RNN）
37. セクション5の教材
38. 第5講の概要
39. RNNの概要
40. シンプルなRNNの実装
41. LSTMの概要
42. GRUの概要
43. RNNによる画像生成
44. 演習: 再帰型ニューラルネットワーク（RNN）
45. 質疑応答: 再帰型ニューラルネットワーク（RNN）
46. AIアプリのデプロイ
47. セクション6の教材
48. 第6講の概要
49. 人工知能アプリ開発の概要
50. モデルの訓練
51. （補足）Windows環境におけるgunicornのインストールについて
52. 開発環境の構築
53. Flaskによる画像識別アプリ
54. Herokuへのデプロイ
55. 演習: AIアプリのデプロイ
56. 質疑応答: AIアプリのデプロイ
57. ボーナスレクチャー
58. ボーナスレクチャー

「グラフニューラルネットワーク（GNN）を学ぼう！」は、グラフニューラルネットワーク（Graph Neural Network、GNN）の入門コースです。

GNNは、ノード（節点）とエッジ（線）から構成されるデータ構造「グラフ」に深層学習を取り入れたニューラルネットワークです。

レコメンデーション、人間関係の分析、交通や物流の予測、化合物の物性推定など、様々な分野でこれまでに応用されています。

本コースでは、Google Colaboratory環境で、PyTorch Geometricというライブラリを使いGNNを実装します。

最初にPyTorchの使い方、PyTorch Geometricの基礎を学んだ上で、シンプルなGNNを実装します。

さらに、畳み込みを使うGraph Convolutional Networks、Attentionが導入されたGraph Attention Networksなどの発展形も扱います。

GNNを学び、様々なタスクに柔軟に対応できるようになりましょう。

注: 本コースに先立ちYouTubeでのライブ講義【Live! 人工知能】がありました。本コースの動画はこのライブ講義をUdemy用に再構成したものになります。

講座の内容は以下の通りです。

Section1. GNNの概要

→ GNNの概要、および開発環境について学びます。

Section2. GNNの基礎

→ GNNの基礎となる数学、およびPyTorch Geometricの使い方を学びます。

Section3. シンプルなGNN

→ PyTorch Geometricを使い、シンプルなGNNを実装します。

Section4. Graph Convolutional Networks

→ CNN（畳み込みニューラルネットワーク）を利用した、Graph Convolutional Networks（GCN）について学びます。

Section5. Graph Attention Networks

→ 「Attention」を利用した、Graph Attention Networks（GAT）について学びます。

なお、今回の講座でプログラミング言語Pythonの解説は最小限となりますが、Pythonの基礎を解説するノートブックを予め配布します。

Pythonの開発環境にはGoogle Colaboratoryを使用します。

1. GNNの概要
2. 教材の使用方法
3. イントロダクション
4. 講座の概要
5. GNNの概要
6. 開発環境について
7. PyTorchについて
8. 演習
9. GNNの基礎
10. セクション2の教材
11. Section2の概要
12. グラフと行列
13. 行列と逆行列
14. PyTorch Geometricの基礎
15. 演習
16. シンプルなGNN
17. セクション3の教材
18. Section3の概要
19. ディプラーニングの基礎
20. ディープラーニングのシンプルな実装
21. シンプルなGNNの実装
22. 演習
23. Graph Convolutional Networks
24. セクション4の教材
25. Section4の概要
26. GCNの概要
27. ミニバッチ法
28. GCNの実装
29. 演習
30. Graph Attention Networks
31. セクション5の教材
32. Section5の概要
33. Attentionの概要
34. GATの概要
35. GATの実装
36. 最後に
37. ボーナスレクチャー
38. ボーナスレクチャー