【世界で55万人が受講】データサイエンティストを目指すあなたへ〜データサイエンス25時間ブートキャンプ〜

機械学習・ディープラーニング・人工知能に関するビジネス上の課題を、回帰分析・ニューラルネットワーク・K平均法等を使って解いていきます。python、jupyter、numpy、pandas、tensorflow等のスキルも身に付きます。

What you'll learn:

• データサイエンティストになるために必要な一連のツールについて学ぶことができます
• 統計分析、NumpyやPandasなどを使ったPythonのプログラミング、高度な統計学上の手法、Tableaau、StatsModelとScikitLearnを使った機械学習の実装、TensorFlowを使ったディープラーニングの実装
• データの前処理の方法
• 機械学習の背景にある考え方
• Pythonを使って統計上の分析をする方法
• Pythonを使った線形回帰とロジスティック回帰分析
• クラスター分析と因子分析
• 実生活における実践問題を通じた深い理解
• TensorFlowをはじめとした、ディープラーニングを進める上で必要とされるツール
• 過学習・過少学習とその解決方法について
• 訓練用データ、検証用データ、テストデータの概要と具体的な実装方法について
• 最先端の機械学習アルゴリズム（Adamなど）の概要と実装方法について
• 信頼区間や検定など、少し難易度が高い統計上の知識
• 機械学習の全体像と、それぞれの用語の深い理解
• 汎用性の高い実装方法について
• p値やt値といった統計上の指標と回帰分析との関係について
• バッチ処理の概要と実装方法

このコースは全世界で210万人を超える受講者を持つ365careersによって公開されている

[The Data Science Course 2020: Complete Data Science Bootcamp] の完全日本語版です。

このコースではオリジナルコースのエッセンスを余すことなく網羅したうえで、

日本語ユーザーが快適に学べるように最適化されたコンテンツをお届けします。

近年世界的に需要の高まりが注目されている職業、それがデータサイエンティストです。

日本も例外ではなく高等教育機関や企業などでもその必要性が声高らかに叫ばれていますが供給が追いついていません。

経済産業省が発表したIT人材需給に関する調査によると、2030年にはデータサイエンス等に携わる先端IT人材の不足数は30万人にのぼるともいわれています。

また、従来の学習方法は受講に数十万円単位でコストがかかったり、拘束時間が長かったりと学習者側の負担は大きなものでした。

このコースはデータサイエンティストを志す人全ての方が、

データサイエンスの世界で活躍するために必要な知識とスキルを、

豊富なアニメーション、具体例、課題を通して自分のペースで確実に身につけれるように設計されています。

更に、この講義を通じて学ぶことによって身につけることができるスキルは、データサイエンスにとどまりません。

例えば、ビジネスにまつわるスキルだけでも、以下のような能力をみにつけることができます。

・ビジネス上の課題を見つける能力

・課題を対処可能な内容に整理する力

・データを定量的に評価する方法

・データを見やすく、直感的に整理する方法

・論理的に物事を考える力

つまり、ビジネスパーソンとして活躍するために必要なスキルをこの講座を通じて身につけることができるのです。

ここで、本講座でご紹介している内容の一部を記載します。

ただ長いだけの講義ではなく、コンテンツがギュッと詰まった講義になっています。

・データサイエンスの全体像

・データサイエンスの言葉の整理

・従来の統計学と機械学習の違い

・従来のデータとビッグデータの違い

・データサイエンスで間違いやすい注意点

・データサイエンスにまつわる職業の整理

・データサイエンスにおいて使われるプログラミング言語とソフトウェアについて

・確率の公式

・期待値について

・事象について

・分布について

・順列について

・集合について

・ベイズの法則について

・様々な確率分布の概要

・ファイナンスと確率の関係

・統計と確率の関係

・データサイエンスと確率の関係

・母集団と標本

・代表値について

・歪度について

・標準偏差と変動係数について

・共分散について

・信頼区間について

・仮説検定について

・帰無仮説と有意水準について

・棄却域と有意水準について

・p値について

・t値について

・pythonの概要

・回帰分析モデルについて

・相関と回帰の違いについて

・分散分析の方法について

・決定係数について

・自由度修正済み決定係数について

・F検定について

・線形回帰で求められる想定・前提について

・ダミー変数の扱いについて

・stats modelの使い方

・seabornの使い方

・フィーチャースケーリングについて

・標準化について

・過学習と過少学習について

・モデルの訓練について

・データセットの分割について

・ロジスティック関数とロジット関数について

・オッズの意味について

・クラスタリングについて

・エルボー法について

・K平均法について

・樹形図について

・ヒートマップについて

・機械学習のイメージと具体例

・MNISTについて

・勾配降下法について

・確率的勾配降下法について

・完成について

・tensorflowを使った実装の進め方について

・活性化関数について

・バックプロパゲーションについて

・ソフトマックス関数の特徴について

・アーリーストッピングについて

・ニューラルネットワークについて

・ディープニューラルネットワークについて

・adamについて

・学習率について

・適応学習率について

・前処理の進め方について

・バイナリエンコーディングとワンホットエンコーディングについて

・データのバランシングについて

・バッチ処理について

上記でも講義で説明している内容の一部です。

本講座を活用し尽くして、更なるスキルアップに役立てて下さい。