企業向け研修

講座一覧

  • 講座名

    AI・分析プロジェクトの進め方

    概要

    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。 ※本講座は少人数制での開催となります。

  • 講座名

    Pythonデータ処理・可視化

    概要

    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。

  • 講座名

    Python基礎

    概要

    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。

  • 講座名

    機械学習入門(教師あり学習)

    概要

    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。

  • 講座名

    分析演習 購入者予測(教師あり学習)

    概要

    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。

  • 講座名

    データ分析入門

    概要

    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。

  • 講座名

    仮説思考とデータ分析

    概要

    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。

  • 講座名

    非エンジニアのための機械学習入門(理論編)

    概要

    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。

  • 講座名

    SQL入門

    概要

    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。

  • 講座名

    UNIX入門

    概要

    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。

  • 講座名

    GitHub入門

    概要

    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。

  • 講座名

    クラスター分析入門

    概要

    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。

  • 講座名

    レコメンデーション入門

    概要

    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。

  • 講座名

    時系列分析入門

    概要

    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。

  • 講座名

    異常検知入門

    概要

    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。

  • 講座名

    自然言語処理入門

    概要

    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。

  • 講座名

    ディープラーニング入門

    概要

    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。

  • 講座名

    ノーコードで行う画像認識

    概要

    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。

  • 講座名

    分析演習 顧客分析(教師なし学習)

    概要

    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。

  • 講座名

    分析演習 画像認識

    概要

    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。

  • 講座名

    分析演習 製造業向け異常検知(教師なし学習)

    概要

    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。

  • 講座名

    分析演習 製造業向け故障予測(教師あり学習)

    概要

    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。

  • 講座名

    分析演習 金融業向け信用リスク

    概要

    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。