生成AIエンジニアLab

生成AIの最新技術を、ハンズオンで解き明かす実践ラボです。
次の一歩を描きながらAI時代のキャリアを模索する羅針盤を目指します。

「機械学習を理論からしっかり学びたい」「機械学習ライブラリは少し使えるけど中でどんな計算しているか知りたい」「微分や線形代数の知識に不安がある」という方向けに、素晴らしい教材が発表されました。

Udemyの「【キカガク流】人工知能・機械学習 脱ブラックボックス講座 - 中級編」です。

機械学習習得の前に立ちはだかる数学の壁

「機械学習には数学の知識が必要」とか「線形代数や微分が分からないと機械学習は分からない」という声を聞いたことがあるかもしれません。

確かにこの意見はその通りです。
続きを読む
このエントリーをはてなブックマークに追加

「人工知能開発を独学で学びたい」「人工知能をいざ学ぼうと思っても何から手を付けたらよいのか分からない」 という方向けに、最短でAI開発を習得する方法を書きました。

学びなおしの必要性が高まる

日本政府が「リカレント教育（社会人が学校に戻って学び直すこと）」推進のため、2019年度から約5000億円の予算を投入する方針を発表しました。

確かに、人工知能が専門家の仕事を代替しつつあるため、誰もが学び直し、新しいスキルを習得することが求められる時代となりました。技術的失業による１億学生時代です。

しかし、年功序列企業で忙しく働く日本のサラリーマンが、大学などの教育機関に戻ることが本当にできるのでしょうか。現実的には、独学で習得するケースも多くなることが想定されます。

いずれにせよ、サラリーマンにとって、"勉強"という単語がもう一度求められてくることは間違いなさそうです。
続きを読む
このエントリーをはてなブックマークに追加

このブログの内容は僕自身の勉強の軌跡です。あくまで個人の意見・備忘録であり、いかなる実在する企業や組織と無関係です。

自分自身のこと

これまでデータサイエンス領域（統計・機械学習・画像処理・自然言語処理）でのコンサルティング、サービス開発、技術開発に携わってきました。

事業開発担当から機械学習エンジニアに転職したので、ビジネスとAI技術を繋ぐことが得意です。また自分自身が未経験からエンジニア職に転身しているので、人材育成には熱意を持って取り組む方です。

出来ること

①データサイエンス領域での業務支援
②データサイエンス領域での新規事業開発
③自然言語処理の技術開発

機械学習エンジニアへの転職経験

事業開発担当から機械学習エンジニアへの転職経験は、以下の記事にまとめています。

体験談：転職エージェントにボコボコにされて未経験からAIエンジニアに転職した話
まとめ：AIエンジニアが選ぶおすすめ転職サイト・転職エージェント

ご質問・お問い合わせ

ご質問やお問い合わせがございましたら、以下のメールアドレスにご連絡をお願い致します。
totemooisiiotya@yahoo.co.jp

このエントリーをはてなブックマークに追加

若い友人が僕に言う。「機械学習ってなにが出来るんだい」。

また機械学習のことかと僕は思った。いささかこの話題に飽きているのだ。ただAIと言わないあたり、彼は見込みがあるのかもしれない。

「機械学習はデータから学習することだよ」僕はシンプルに伝えた。シンプルさはこの世の中で最も貴重な価値観の一つだ。

「学習とはどういうことだろう」彼は言う。鋭い指摘だ。確かに学習について僕は伝えていなかった。

「数式のパラメータを学習するんだ」僕はまたシンプルに伝える。パラメーターと言うべきか少し迷ったが、そんなことはどうでもよかった。

「数式のパラメータか」彼は僕の言葉を繰り返した。「つまりデータから数式を定めることが学習なんだね」彼は言葉を重ねた。

続きを読む
このエントリーをはてなブックマークに追加

ここ数年間、AI開発の良質な学習コンテンツが増えました。

インターネットに、良質な解説記事が増えました。特にディープラーニングの解説記事周辺は、これでもかというくらい分かりやすく解説されています。

書籍では、松尾先生の「人工知能は人間を超えるか」を皮切りに、「python 機械学習プログラミング」と「ゼロから作るDeep Learning」が出版され、CONNPASS周辺で多くの勉強会が開催されました。

また、事前知識ゼロでも機械学習を学べる「pythonではじめる機械学習」が出版され、機械学習のハードルが大きく下がりました。これらの良質な書籍は、機械学習ブームの影の立役者でしょう。
Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎
Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎 [単行本（ソフトカバー）]
Andreas C. Muller
オライリージャパン
2017-05-25


そしてまた、機械学習を学ぶ上で最高の教材が発表されました。Udemyの「Pythonで機械学習：scikit-learnで学ぶ識別入門」です。

続きを読む
このエントリーをはてなブックマークに追加

この記事を読んでほしい方
・人工知能の仕事に興味がある方
・AIエンジニアになりたい方

先日「SEから機械学習エンジニアに転職したい場合、どこの転職サイトに登録すれば良いか」と質問を受けました。

確かに、世の中にはたくさんの転職サイトがあって、どれに登録すればいいか迷うこともあると思います。私自身も結構悩みました。なので今回は、転職サイトの選び方を考えてみます。

参考記事：AI人材の年収が高い理由は？|SEがAIエンジニアに転職すべき２つの理由
続きを読む
このエントリーをはてなブックマークに追加

人工知能や機械学習の未経験から、"AI人材"として転職する方法を解説します。

結論から書くと、「人工知能未経験の方は、AI企画人材になりましょう」というお話です。

本記事が想定する読者層
・人工知能未経験からAI人材になりたい方
・現在ビジネス系職種でAIに興味がある方
・今のAIブームに乗りたい方

AI市場の成長はデータ量が増えているから

IDC Japanが、国内のAIシステム市場は5年で16倍に急成長すると発表しました。2021年の市場規模は、2016年比で16倍となる2500億円とのこと。ビジネス領域でのAI活用がいよいよ本格化するそうです。

なぜこんなに市場が成長するのでしょうか。ハードウェアやディープラーニングの進化も理由にあげられますが、一番の理由はデータ量が増えたからでしょう。

2020年に世界のデータ量は、44兆GBになると言われています。この44兆GBのデータを、世界中のAIエンジニアが分析するわけです。しかもデータ量は、年間40%とかで増えていきます。そりゃ人材不足になるのも当たり前かもしれません。1GBのデータの分析でも相当きついですからね。

この44兆GBのデータを、いかに自社で集め、いかに活用していくかが今後の企業戦略のカギでしょう。そしてデータ活用の主役はAIです。

ではAI時代のキャリア戦略として、どのようなポジショニングがあるか解説いたします。

関連記事：AI営業職がAI時代の主役になるかもしれない続きを読む
このエントリーをはてなブックマークに追加

みなさんは「AI人材」という言葉をご存知でしょうか。

第4次産業革命とも言われる人工知能ブームは、文字通り急激な変化を起こしました。企業は必死で戦略を見直しているものの、そもそも見直すだけの知識を持つ人材が社内におらず袋小路です。見直せる人材がいないので、必要な人材像を定義出来ず、とりあえず「AI人材」とビジネス界隈でよく利用されています。

とにかく今、圧倒的な人材不足です。ではこの「AI人材」にどしたらなれるのでしょうか。

関連記事：人工知能(AI)ブームに乗りたい人に切符を提供してみる
続きを読む
コメント（0） このエントリーをはてなブックマークに追加

人工知能ブームがますます過熱感を帯びています。先週アルファ碁ゼロが、ルールを覚えさせるだけで人間を超えたというニュースが出ました。顧客や上司から説明を求められ、強化学習と教師あり学習の違いを解説したAI担当者も多かったのではないでしょうか。

先月上場したPKSHA Technologyが、時価総額1600億円を超えました。PER700倍、PBR170倍という信じられないような指数が付いています。少しでも株を知っている人なら、この指数がどれほど期待値を織り込んでいるか理解できると思います。

今の人工知能ブームは踊り場はありません。人工知能株式会社は、グローバルで国と企業を巻き込み信じられないスピードで進化し続けています。技術進歩が他の技術の進歩を生み出すことで、指数関数的に進歩しているからです。

本記事では、人工知能開発に携わる著者が、人工知能の最前線をご紹介し、ビジネスパーソンの生き残り方法を提案してみます。

過去記事：これだけは知っておけ！PythonでＡＩ開発の基礎まとめ

続きを読む
コメント（0） このエントリーをはてなブックマークに追加

ロジスティック回帰分析は、２値の分類モデルを作るアルゴリズムです。そして、分類結果の発生確率を予測できます。例えばある人が「ガンである確率 90%」 のような予測ができます。

また、モデルの中身を数式として理解できるので、ディープラーニングのようにブラックボックスになりません。つまり、どの説明変数がモデルの判定に重要かが人間でも分かります。

一方、ロジスティック回帰は、線形分離可能なクラスに対してのみ高い性能が発揮されます。非線形の問題はうまく学習できないという重回帰分析と同じ問題を抱えています。
加えて、ロジスティック回帰の説明変数は、数量データのみ利用可能です。カテゴリデータは基本的に推奨されません。

過去記事：ランダムフォレストで特徴量の重要度を評価する
続きを読む
コメント（0） このエントリーをはてなブックマークに追加

↑このページのトップヘ