SERVICE サービス
データサイエンティスト育成支援
ALBERTでは、数百を超えるAI・分析プロジェクトの実績から培った、独自の実用的な育成支援を数多くの企業様へ行っています。新卒社員・未経験者・データサイエンティスト・エンジニア・マネージャー・管理職クラスなど幅広い方を対象とし、座学・演習通じて、実践的な視点・考え方やデータ分析の技術を身につけられる講義をご提供しています。また、ALBERTが蓄積してきた産業独自のノウハウをもとに構成した産業特化型演習もございます。
講義は、ALBERTの経験豊富なデータサイエンティストが講師を担当します。過去の経験を元に、データ分析の基礎的な支援からより実践的な活用ができるよう独自のデータを活用した支援まで、企業様が抱える課題をしっかりとヒアリングし課題を解決できるよう、最適なプランをご提供します。
受講形式は対面またはオンラインからお選びいただけます。
4つの魅力
-
受講者のレベルや目的、業種に
応じた最適なプログラムをご提供統計学の基礎、データ処理の基礎、分析手法論、演習（課題把握・分析アプローチ・報告書作成・プレゼンテーション）など多数のカリキュラムがあり、受講者のレベルや目的に応じてお選びいただけます。また、各産業向けの演習もございます。
-
講師は経験豊富な
データサイエンティストが担当ALBERTには、AI・分析プロジェクト経験と豊富なノウハウを持つデータサイエンティストが多数在籍しています。専門知識を身につけたデータサイエンティストから直接学ぶことにより、実用的な力が身につきます。
-
2012年より延べ5,000人に
対して実施してきた多数の実績ALBERTには、2012年よりデータサイエンティスト育成に取り組んできた多数の実績があります。社内育成でも使用しているオリジナルの教材を活用したカリキュラムを、延べ5,000人にご提供しています。
-
より実用的に！
企業様独自の支援も可能企業様のデータを活用した独自支援では、各企業のテーマに合わせた演習プログラムをご提供します。ビジネスデータを活用した実践を交えることで、より一層データサイエンスへの理解を深めることができます。
講義内容
こんな方にオススメです
-
データ分析初心者
統計学の基礎知識やPythonの基本的な使い方を身に付けたい方
オススメの講座
- データ分析入門 × 1日間
- Python基礎 × 4日間
- Python データ処理・可視化 × 6日間
-
データサイエンティスト
候補データサイエンティストに必要なプログラミング言語の使い方や機械学習の知識を身につけたい方
オススメの講座
- SQL入門 × 4日間
- Python基礎 × 4日間
- Python データ処理・可視化 × 6日間
- 機械学習入門（教師あり学習） × 2日間
- 分析演習 購入者予測（教師あり学習） × 10日間
-
マネジメント職
現在、リーダー職についており、AI・分析プロジェクトの進め方を学びたいとお考えの方
オススメの講座
- AI・分析プロジェクトの進め方 × 1.5日間
-
非エンジニア職
※文系・理系問わず、一般社員の方向け様々な業種の文系・理系問わず、データ分析と機械学習理論の知識をつけたい方
オススメの講座
- 仮説思考とデータ分析 × 2日間
- 非エンジニアのための機械学習入門（理論編） × 1日間
-
データサイエンティスト
-
BtoCサービス業 マーケティング向け
BtoCサービス業 マーケティングの業務に携わっており、データ分析の知識や実践力をつけたい方
オススメの講座
- Python基礎 × 4日間
- Python データ処理・可視化 × 6日間
- クラスター分析入門 × 1日間
- 機械学習入門（教師あり学習） × 2日間
- 分析演習 購入者予測（教師あり学習） × 10日間
-
製造業向け
製造業系の業務に携わっており、データ分析の知識や実践力をつけたい方
オススメの講座
- Python基礎 × 4日間
- Python データ処理・可視化 × 6日間
- 時系列分析入門 × 2日間
- 異常検知入門 × 1日間
- 分析演習 製造業向け異常検知（教師なし学習） × 10日間
-
金融業向け
金融業系の業務に携わっており、データ分析の知識や実践力をつけたい方
オススメの講座
- Python基礎 × 4日間
- Python データ処理・可視化 × 6日間
- 機械学習入門（教師あり学習） × 2日間
- 分析演習 金融業向け信用リスク × 6日間
-
画像認識技術
ディープラーニングを用いた画像認識の専門的な知識や実践力をつけたい方
オススメの講座
- Python基礎 × 4日間
- Python データ処理・可視化 × 6日間
- 機械学習入門（教師あり学習） × 2日間
- ディープラーニング入門 × 2日間
- 分析演習 画像認識 × 10日間
-
カリキュラム例
統計学
| 講座名 | 概要 | 受講者の想定 | 受講者のゴール感 |
|---|---|---|---|
| データ分析入門 | 本講義では、統計学の背景から、データ分析に必須とされるデータの可視化について、グラフの使い方を学びます。また単変量解析・2変量解析の講義を通して、代表値や分散・標準偏差・四分位数などの統計の超基礎的項目や、確率分布・仮説検定の基礎に触れながら、相関分析・回帰分析といった基本的な分析手法を学びます。 |
|
|
ビジネス力
| 講座名 | 概要 | 受講者の想定 | 受講者のゴール感 |
|---|---|---|---|
| 仮説思考とデータ分析 | 課題解決のための仮説思考では、一般的な仮説思考の概念からスタートし、仮説の構築の仕方からそれらをデータ分析につなげる考え方を学びます。その上でデータ分析に特化した仮説思考の使い方をレクチャーいたします。 データ分析基礎パートでは、データの可視化の基礎をあらためて学び、統計学の基礎といえる単変量解析（基本統計量）から2変量解析（相関分析）までを手を動かしながら学びます。 |
※Excelでのグラフ描画や基礎的な関数が使えるスキルを保有していることを想定 |
|
| AI・分析プロジェクトの進め方 | AIやデータ分析プロジェクトをどのように進めるのか、プロジェクトのガイドライン、機械学習の概要、評価指標、プロジェクト設計における失敗事例等を学びます。また、ALBERT独自のフレームワークを用いたテーマ設定及び方針設計をワークショップを通じて学んでいただきます。
※本講座はプログラミングの講義はございません。 |
|
|
| 非エンジニアのための機械学習入門（理論編） | 本講義では、予測や分類を行う教師あり学習について学びます。
教師あり学習は、迷惑メールの判別、解約の予測、商品の売り上げ予測、画像の分類など、マーケティング、金融業、製造業を含む幅広い領域で活用されています。 座学では、AIや機械学習の中での教師あり学習の位置づけや、教師あり学習で実現できること、教師あり学習のステップを学びます。続いて、実務によく用いられる決定木とランダムフォレストを紹介します。できる限り数式を使わずに、各手法の特徴や利点を概念から解説します。また、手法の特徴や利点を理解することで、実問題に応じて適した手法を使い分けることを目指します。 演習では、顧客の要望とサンプルデータに基づいた分析の設計を行います。 ※本講座ではPythonによる実装は行いません。 |
|
|
ツール基本操作
| 講座名 | 概要 | 受講者の想定 | 受講者のゴール感 |
|---|---|---|---|
| SQL入門 | データベースの概念、SQL基本構文を学習し、データテーブル結合やデータ抽出などの演習を行います。データサイエンティストには必須となるデータ処理の基礎スキルを習得します。 |
|
|
| Python基礎 | Pythonプログラミングを基本文法から学び、Pythonプログラミングに必要な基礎スキルを習得します。 |
|
|
| Pythonデータ処理・可視化 | Pythonでのデータ分析に必要なライブラリであるNumPy・pandasと、グラフ作成ライブラリであるMatplotlibの基礎を学びます。 本カリキュラムでは、サンプルデータを用いて各ライブラリでのプログラミング演習を行います。 |
※Python基礎講座を受講済みの方、もしくは同程度の知識を有する方を対象とします。 |
|
| UNIX入門 | UNIXコマンドの基礎を学び、シェルスクリプトでの演習を行います。 UNIX環境によるコンピューティング操作を習得します。 |
|
|
| Github入門 | 本講義では、Git/Github を利用したバージョン管理について学びます。 座学では、Git/Github の概要と基本的な操作について解説します。また、GitHub を用いた Pull-Request による開発・分析のフローについても紹介します。 ハンズオンでは、座学で学んだ一連の操作を実行していただきます。 |
|
|
画像認識（ツール活用：タクミノメ）
| 講座名 | 概要 | 受講者の想定 | 受講者のゴール感 |
|---|---|---|---|
| ノーコードで行う画像認識 | ALBERTが開発・販売している画像認識ツール「タクミノメ」を用いた座学・実践となります。 こちらは非エンジニアの方でも画像認識を実施したい場合にご活用頂くものとなります。 タクミノメの4タスク（画像分類・物体検出・セグメンテーション・異常検知）による外観検査を体験していただきます。 |
|
|
分析手法理論
| 講座名 | 概要 | 受講者の想定 | 受講者のゴール感 |
|---|---|---|---|
| 機械学習入門（教師あり学習） | 本講義では、予測や分類を行う教師あり学習について学びます。 教師あり学習は、迷惑メールの判別、解約の予測、商品の売り上げ予測、画像の分類など、マーケティング、金融業、製造業を含む幅広い領域で活用されています。 座学では、AIや機械学習の中での教師あり学習の位置づけや、教師あり学習で実現できること、教師あり学習のステップを学びます。続いて、実務によく用いられる手法を7つを紹介します。できる限り数式を使わずに、各手法の特徴や利点を概念から解説します。また、手法の特徴や利点を理解することで、実問題に応じて適した手法を使い分けることを目指します。 ハンズオンでは、教師あり学習の各ステップ、および7つの手法についてPythonでのプログラミングをおこない、予測と分類を実施します。 |
※Pythonを使用した基本的なデータハンドリングができる方を対象とします。 |
|
| クラスター分析入門 | 本講義では、データを類似度に基づいて複数の集団に分割する手法であるクラスター分析について学びます。 クラスター分析は、顧客・商品の分類に利用されることが多く、主にマーケティング領域で活用されています。また、遺伝子配列の解析や文書・口コミの分類に使われるほか、データから検証すべき仮説を見つける探索的データ解析にも利用されます。 座学では、クラスターに分ける際の基準となる類似度・距離について説明した後、2種類のクラスター分析（階層・非階層）について、各手法のメリット・デメリットとともに紹介します。 ハンズオンでは、サンプルデータに対するクラスター分析をPythonで実装します。また、生成された各クラスターの特徴・傾向を把握する方法についても解説します。 |
※Pythonを使用した基本的なデータハンドリングができる方を対象とします。 |
|
| 時系列分析入門 | 本講義では、時間に伴って変化するデータを分析する時系列分析を学びます。
時系列分析は、株価・電力需要・感染者数などの将来予測に利用されているほか、マーケティングにおける広告効果の検証にも活用されています。 座学では、時系列データの概要や特徴から説明し、ARMAモデルに代表される古典的なモデルから、古典的モデルよりも表現能力の高い状態空間モデルについて解説します。また、状態空間モデルのパラメータ推定に利用されるベイズ推定およびMCMC（マルコフ連鎖モンテカルロ法）についても、基礎から理論を説明します。 ハンズオンでは、古典的モデルおよび状態空間モデルをPythonで実装します。また、stanを使ったMCMCの実装方法についても紹介します。 |
※Pythonを使用した基本的なデータハンドリングができる方を対象とします。 |
|
| ディープラーニング入門 | 本講義では、近年注目を集めているディープラーニング（深層学習）を学びます。
ディープラーニングは画像認識・物体検出・セグメンテーションなどの画像に対する処理に利用されるほか、音声認識や自然言語処理にも活用されています。 座学では、 ディープラーニングの概要と詳細な学習の仕組みを学びます。また、畳み込みニューラルネットワークについて説明した後、これまでに発表されている代表的なアーキテクチャを紹介します。 ハンズオンでは、PyTorchを利用してモデル構築を行います。画像分類モデルを題材にしておりますが、学習の仕組みなどは他タスクにも共通するので本講座を学ぶと幅広い応用が効きます。 |
※Pythonを使用した基本的なデータハンドリングができる方を対象とします。 |
|
| 自然言語処理入門 | 本講義では、テキストデータを分析するための自然言語処理を学びます。
自然言語処理は、文書の要約や翻訳、口コミの分類やポジネガ判定などを行うことができます。コールセンターにおける問い合わせ内容の分類やSNS投稿の分析に利用されるほか、チャットボットの開発にも活用されています。 座学では、分かち書き・形態素解析・機能表現などの古典アプローチから紹介し、機械学習によるテキスト解析について解説します。さらに、深層学習による自然言語処理(DeepNLP)についても、基礎となる分散表現から、最近の大きなブレークスルーとなったBERTまで説明します。 ハンズオンでは、Pythonとmecabを用いた形態素解析と、機械学習を使用した記事の分類を行います。 |
※Pythonを使用した基本的なデータハンドリングができる方を対象とします。 |
|
| 異常検知入門 | 本講義では、大多数のデータから逸脱しているデータを識別・発見する異常検知を学びます。 異常検知は、製造業における機械の故障検知だけでなく、クレジットカードの不正利用検知、ネットワーク侵入検知など、様々な領域で活用されています。 座学では、正常データのみが取得されている場合に焦点を絞り、異常検知の基礎となる手法や、複雑な表現も可能な実用性をもつ手法を3つ紹介します。また、時系列データに対する異常検知についても扱います。 ハンズオンでは、座学で説明した3つの異常検知の手法をPythonで実装します。 |
※Pythonを使用した基本的なデータハンドリングができる方を対象とします。 |
|
| レコメンデーション入門 | 本講義では、ECサイトや動画サービスで活用されているレコメンデーションを学びます。 座学では、用いるデータや推薦する根拠によってレコメンドのアプローチを分類し、レコメンドの大枠を掴みます。また、具体的な手法として、基本的かつ実務で活用しやすい協調フィルタリングとアソシエーション分析を説明します。さらに、レコメンドにおける注意点や、評価方法についても紹介します。 ハンズオンでは、Pythonを使用したプログラミングをおこない、レコメンドのための情報抽出を実施します。 |
※Pythonを使用した基本的なデータハンドリングができる方を対象とします。 |
|
データ分析演習
| 講座名 | 概要 | 受講者の想定 | 受講者のゴール感 |
|---|---|---|---|
| 分析演習 顧客分析（教師なし学習） |
教師なし学習を用いて、購買データに含まれる顧客・商品を分類します。
課題の把握から分析の設計・実施、報告書作成、プレゼンテーションまでを行います。 データの前処理や基礎集計を通じてデータが持つ特徴や傾向を把握することが重要になります。また、生成されたクラスターごとの特徴を解釈・理解し、分析結果から得られた知見をもとに施策を立案していただきます。 |
※Pythonを使用した基本的なデータハンドリングができ、教師なし・教師あり学習の代表的な手法について理解している方を対象とします。 |
|
| 分析演習 購入者予測（教師あり学習） |
教師あり学習を用いて、ECサイトにおける再購入者を予測します。
課題の把握から分析の設計・実施、報告書作成、プレゼンテーションまでを行います。 目的変数となる「再購入」をデータからどのように定義するか、基礎集計などをもとに受講者自身で決定します。また、分析結果を踏まえ、再購入者を増加させるための施策を考えていただきます。 |
※Pythonを使用した基本的なデータハンドリングができ、教師なし・教師あり学習の代表的な手法について理解している方を対象とします。 |
|
| 分析演習 画像認識 |
実案件で想定されるような画像(車載画像)を用いて、セグメンテーションモデルを構築します。モデル構築ではネットワーク構造を理解し、実装することが求められます。さらに報告書作成や発表も行います。 |
※Pythonを使用した基本的なデータハンドリングができ、教師なし・教師あり学習の代表的な手法について理解している方を対象とします。 |
|
| 分析演習 製造業向け異常検知（教師なし学習） |
異常検知演習として、機械の正常データを用いてモデルを作成し、異常データを検出できるようにします。 課題の把握から分析の設計・実施、報告書作成、プレゼンテーションまでを行います。 一定の時系列の長さごとに異常かどうかを判別します。 実務に即した形で、優先すべき精度項目や実行時間の制約があります。 異常検知の講義で扱う手法をベースに、一般に異常検知でおこなわれているデータの要約方法などの関連技術の調査をしながら、分析を進めていく経験ができます。 |
※Pythonを使用した基本的なデータハンドリングができ、教師なし・教師あり学習の代表的な手法について理解している方を対象とします。 |
|
| 分析演習 製造業向け故障予測（教師あり学習） |
油圧機器の検査データから、状態 (良し、悪い) を予測するモデルを構築します。
油圧、流量、冷却力、温度、振動などセンサーデータを活用します。 課題の把握から分析の設計・実施、報告書作成、プレゼンテーションまでを行います。 時系列で記録されているデータを要約して特徴量を作成したり、欠損値を適切に処理したりすることが必要です。 |
※Pythonを使用した基本的なデータハンドリングができ、教師なし・教師あり学習の代表的な手法について理解している方を対象とします。 |
|
| 分析演習 金融業向け信用リスク |
クレジットカードの利用履歴データ及び顧客属性データを用いてデフォルトリスクを評価するモデルを構築します。 課題の把握から分析の設計・実施、報告書作成、プレゼンテーションまでを行います。 データのカラム数が多いため、カラムの内容を正確に把握し、必要に応じて加工・選択していくことがモデルの汎用性を高めるうえでのポイントになります。 |
※Pythonを使用した基本的なデータハンドリングができ、教師なし・教師あり学習の代表的な手法について理解している方を対象とします。 |
|
産業特化型演習
各産業で想定されるデータを活用し、前処理・基礎集計・分析方針立案・アルゴリズム構築・精度評価といった一連の分析工程に取り組み、最後に分析報告会を実施する演習です。実践的演習を経験することにより、実務に即した分析スキルやプレゼンテーション・報告書作成スキルが身につき、データ分析の技術や学びを深めることができます。
演習で用いるアルゴリズムはあらかじめ用意されたものではなく、各受講者が前処理や基礎集計の工程を通じて立案した分析方針をもとに、必要となる手法を選択しアルゴリズムを構築します。また、経験豊富な現役のデータサイエンティストが講師を担当し分析報告会で評価を実施することで、受講者は実践的な視点・考え方が習得できます。
産業特化型演習の主な流れ
演習内容
-
製造業向け
-
時系列データを活用した異常検知演習
センサーデータを用いて、異常を検知することを目的とした演習を実施します。これにより、工場等における故障や不良品の発生の減少、設備の稼働率向上、作業員の業務効率化などの実現が可能となります。
-
画像セグメンテーション
実案件で想定されるような画像(車載画像)を用いて、セグメンテーションモデルを構築します。モデル構築ではネットワーク構造を理解し、実装することが求められる演習です。
-
製造業向け故障予測
油圧機器の検査データから、状態 (良し、悪い) を予測するモデルを構築します。
油圧、流量、冷却力、温度、振動などセンサーデータを活用した演習です。
-
-
金融業向け
-
信用リスク評価モデル演習
利用履歴データや属性データをもとに個人デフォルトリスクを推定し、貸出審査や債務者格付等に活用することを目的とした演習です。
-
-
サービス業（BtoC）向け
-
購買データを用いた顧客分析
教師なし学習を用いて、購買データに含まれる顧客・商品を分類します。
データの前処理や基礎集計を通じてデータが持つ特徴や傾向を把握することが重要になります。また、生成されたクラスターごとの特徴を解釈・理解し、分析結果から得られた知見をもとに施策を立案していただきます。 -
ECサイトにおける購入者予測
教師あり学習を用いて、ECサイトにおける再購入者を予測します。
目的変数となる「再購入」をデータからどのように定義するか、基礎集計などをもとに受講者自身で決定します。また、分析結果を踏まえ、再購入者を増加させるための施策を考える演習です。
-
今後も演習内容を随時追加予定です。
支援実績
支援例
-
通信キャリア様
企業様におけるデータ活用のプロフェッショナル人材育成を目的とし、高度な育成カリキュラムを用いて、ビッグデータ解析基礎プログラムを実施
-
食品メーカー様
実業務ですぐに活用できる知識の取得を目的とし、統計学の基礎・マーケティングデータを活用したクラスター分析・需要予測等、事業部向けのプログラムを実施
-
技術系人材派遣会社様
即戦力育成を目的とし、Python入門・Rの基礎・ケーススタディを通じた実践的な演習・OJTなどを織り込んだプログラムを実施
-
自動車メーカー様
AI・分析プロジェクトのマネジメント担当者様向けに、ディープラーニングの理論と実践を中心に講義を行い、最終的にはお客様の実データを用いて演習を実施
その他多数の業界において、支援実績がございます。
受講者様からのお声
-
VOICE 1
最初から最後まで非常に興味を持って受講できた
私は、Pythonによるバッチプログラム作成経験は1年、SQLは5年以上経験がありましたが、データ分析は未経験で、データサイエンス手法の種類や各々の理論面、各手法の活用方法について知りたいと考えていました。
Pythonは前職で使用していたので、「Python基礎」で得るものはそれほど多くないと思っていましたが、意に反し、デコレータやカリー化など、新たに学ぶことが多かったので良かったです。また、データ分析に関する知識の深い方が作成されたことが分かる研修資料だったので、最初から最後まで非常に興味を持って受講でき、現在の業務においても非常に役立つものとなっています。 -
VOICE 2
未経験者でも講義内容がわかりやすい
新卒研修として受講しましたが、「データ分析入門」は未経験者でも講義内容がわかりやすく、また「SQL基礎」「Python基礎」はそれぞれのレベルにあった対応をとってもらえたことが良かったです。
「分析手法理論・実践」は、大まかな説明で流れを知った後、Jupyter Notebook上で実行するというスタイルを通して、自分が今どの部分について学んでいるかを理解しながら進めていくことが出来ました。 座学受講後は、演習として顧客のクラスタリング分析を行いました。自分の行った分析に対して、多くのフィードバックを頂いたので、その点を意識することで実務に対応することが出来ました。また、納期までの時間管理や資料作成の方法、質問の仕方などビジネス力についても学ぶことが多かった点も現在の実務に活かせています。 -
VOICE 3
データサイエンティストとしての一連の作業を経験
私は、今まで分析業務については上司からの指示をただこなすだけのレベルでした。前職では、PythonやSQLを使ってデータ分析を行っていましたが、最低限の知識しかありませんでした。
本講義では、データ分析に必須なPythonライブラリの使い方についての演習があったので、色々な機能やコードの書き方について学ぶことができました。演習は、大規模なデータの集計から報告資料の作成・発表まで行うもので、データサイエンティストとしての一連の作業を経験でき、またデータの前処理について重要なことを学べたので、実際にデータを扱う際にどんなことに注意するべきか、分析に入る前にどんな処理を行えばよいか、イメージしながら作業できるようになりました。 -
VOICE 4
演習で手を動かして身に付けた経験が活かせている
本講義では、学んだことを演習で実際に手を動かして理解を深めるという流れのため、復習しながら段階的に学習できた点が良かったです。特に演習では、データ受領から報告資料の作成まで、実務を想定して一連の流れを体験し、報告後に講師の方からフィードバックを受けることができました。
現在は、顧客分析を行っていますが、アジャイルなモデル実装が必要となる場面が多く、教師あり・なし学習、統計モデルなどそれぞれの基本的なモデルの実装を経験できたことが役に立っています。また、実務で使用している言語もPythonやSQLが中心のため、演習でひたすら手を動かして身に付けた経験が活かせていると感じています。
