Pythonで実践する統計モデリング入門
統計解析や多くの機械学習の理論的な背景になる「統計モデリング」をPython実装を通して学習するコースです。理論面での解説を実際に手を動かして確認できるようになっています。
Ratings 4.54 / 5.00
What You Will Learn!
- 機械学習の理論背景となる統計モデリングの基礎を学習します。
- 線形回帰モデルと一般化線形モデルの構造と学習方法を数式を交えて理解します。
- 一般化線形モデルを例に、勾配法を使ったパラメータ推論の基礎を実装を通して理解します。
- 線形モデルの最尤推定とベイズ推定のそれぞれの解析解を導出します。
- データに合わせて統計モデルを設計するという考えが身につきますので、ニューラルネットワークをはじめ、より高度なモデルでもデータに対して間違ったモデルを構築してしまうことを避けることができるようになります。
Description
（2023.03.06）コース全体概要の紹介（セクション1のレクチャー1）が間違っていたので修正しました（８章構成として紹介していましたが、本コースは６章構成です）
（2023.02.06）コメントで指摘されていた音量を改善するため、全てのコースで動画を作成しなおしました
機械学習モデルのブラックボックス的な理解から脱却しましょう！
機械学習や統計解析の理論的な背景には「統計モデル」や「確率モデル」と呼ばれる「モデル」という考え方があります。この「モデル」を通した見方を習得することで、様々な手法を俯瞰して眺めることができます。
例えば以下のことが理解できるようになります。
分類問題などを扱うニューラルネットワーク（ディープラーニング含む）の「損失関数(loss-function)」になぜクロスエントロピーがよく使われているのか？
最尤推定とベイズ推定の違い
正則化（Weight-Decay）の意味
本コースは統計モデルに関する基礎的な内容を解説します。内容は基礎的ですが、ニューラルネットワークなどのより複雑なモデルにも適用できる考えなので、上記の疑問に答えることができるようになります。
本コースでは理論面の解説に加えて、Pythonを利用した実際に動くデモを通すことでより深く理論を理解することができます。解説だけではどうしても理解が難しい問題も、実際に動くコードを見ながら自分でも手を動かして確認することができます。そうした経験を積んでいくことで、深い理解が得られるはずです。
是非本コースを通して、機械学習をブラックボックスとして利用する立場から、問題に合わせてモデルを構築する立場にステップアップしていきましょう！
（注：Python実装を掲載していますが、ソースコードの細かな解説はしておりませんので、ご了承ください）
Who Should Attend!
- 機械学習やデータサイエンスに関心のある開発者
- 機械学習を学習中の学生/社会人
- 機械学習の様々なモデルを覚えることが難しいと感じている方（覚える必要ありません）
- ライブラリを使うだけの統計解析や機械学習に限界を感じている方
- 頻度主義とベイズ主義の違いが気になる方
