G検定講座 by eduleap

テレビ朝日の現役アナウンサーがIT・AIの知識を分かりやすく解説！

「eduleap」は、テレビ朝日が手掛けるeラーニングのブランドです。
現役エンジニアの研修教材や実務を元にカリキュラムを設計しており、AI・DX時代に必須の知識を、分かりやすく効率的に習得できます。また、現役アナウンサーがナレーションを担当しているため、再生速度を速くしても聞きやすく、分かりやすい解説が特徴です。

未経験から3ヶ月でG検定合格レベルの知識を習得！

G検定（ジェネラリスト検定）は、一般社団法人日本ディープラーニング協会（JDLA）が実施する、AI・ディープラーニングに特化した検定です。合格者は「AI活用のジェネラリスト」として認定され、AI技術を適切に理解し、ビジネスや社会で活用できるスキルを証明できます。

G検定は特に、DX推進を担う企業や、事業でAIの活用を検討している企業にとって、実践的な知識を得るための有用な資格とされています。本講座ではG検定の学習を通じて、「AIでできること・できないこと」「AIの適切な活用方法」「AIの導入に必要な知識」を理解し、ビジネスシーンでAIを活かすためのスキルを習得できます。

サンプル動画

受講対象者

全社員

コースのポイント

1日約15分×3ヶ月でAIの汎用的な知識をマスター

本講座では、初心者でも平均5分の動画を1日3本視聴するだけで、3ヶ月後にはG検定合格レベルの知識を身につけることができます。人工知能概論、機械学習基礎、自然言語処理、AIと社会など、多岐にわたるトピックを網羅しており、スマートフォン対応で、場所を選ばず学習が可能です。

本番さながらの試験対策が可能

テレビ朝日の現役プロデューサー・ディレクターが制作した高品質な動画を180本以上実装。豊富な動画1つ1つに「テキスト」「振り返りテスト」が実装されており、動画で学んだ知識の効率的な定着を実現します。また「模擬テスト」は実際のテストと同じ問題数・同じ形式で、本番さながらの試験対策が行えます。

教材一覧

G検定講座

G検定の概要
AIの定義
AIの歴史概観
第一次AIブーム
第一次AIブームの終焉①トイ・プロブレム
第一次AIブームの終焉②フレーム問題
第二次AIブーム①エキスパートシステム
第二次AIブーム②知識表現：意味ネットワーク
第二次AIブーム③知識表現：オントロジー
第二次AIブーム④第五世代コンピュータ
第二次AIブーム冬の時代
第三次AIブーム
AIのレベル別分類
探索手法
ボードゲーム①イントロ
ボードゲーム②Mini-Max法
ボードゲーム③αβ法
ボードゲーム④モンテカルロ法
人工知能概論（テスト）
人工知能と機械学習
機械学習の３つの学習方法
教師あり学習①回帰
教師あり学習②分類
教師あり学習③回帰と分類の使い分け
教師なし学習①概要
教師なし学習②クラスタリング
教師なし学習③次元削減
強化学習
３つの学習方法の比較
半教師あり学習
メタ学習
マルチタスク学習
マルチモーダル学習
評価指標①イントロ
評価指標②回帰
評価指標③ 分類：２クラスその１
評価指標③ 分類：２クラスその２
評価指標③ 分類：２クラスその３
評価指標④分類：多クラス
評価指標⑤過学習
評価指標⑥検証手法
評価指標⑦データリーケージ
機械学習基礎（テスト）
線形回帰分析
重回帰
データ分布
スケール変換
誤差関数：モデル評価
L2正則化
L1正則化
誤差関数：交差エントロピー
ロジスティック回帰
k近傍法
ナイーブベイズ
ＳＶＭ①マージン最大化
ＳＶＭ②カーネル法
ＳＶＭ③ハードマージン、ソフトマージン
決定木①概要
決定木②ジニ不純度と情報利得
アンサンブル学習
バギング
ブースティング
スタッキング
ハイパーパラメータ
グリッドサーチ
ランダムサーチ
ベイズ最適化
階層的クラスタリング
非階層的クラスタリング
主成分分析
次元削減：t-SNE
時系列モデル①概要
時系列モデル②ARモデル
時系列モデル③MAモデル
レコメンデーション①概要
レコメンデーション②協調フィルタリング
レコメンデーション③コンテンツベースフィルタリング
不均衡データ
オーバーサンプリング/アンダーサンプリング
モデルの解釈性（XAI）
代理モデルと解釈手法
LIME
SHAPとシャープレイ値
機械学習の具体的手法（テスト）
単純パーセプトロン
線形性と非線形性
多層パーセプトロン
ニューラルネットワーク
勾配降下法
確率的勾配降下法（SGD）
バッチサイズ
バッチ学習とミニバッチ学習
局所最適解
モーメンタム
学習率を調整する手法
誤差逆伝播法
活性化関数（概要）
勾配消失問題
様々な活性化関数
深層学習の問題点
内部共変量シフト
バッチ正規化
オートエンコーダ
積層オートエンコーダ
ファインチューニング
実装の工夫（ドロップアウト）
実装の工夫（早期終了）
実装の工夫（重みの初期値）
ニューラルネットワーク（テスト）
画像データの特徴
代表的な画像処理のタスク
ニューラルネットワークと画像データ
畳み込みニューラルネットワークの基本構造
畳み込み処理
プーリング
パディング
特殊な畳み込み（Dilated Convolution と Deconvolution）
データ拡張
転移学習
畳み込みニューラルネットワークの発展形
CNNの最新の手法（NAS、EfficientNet、SENet、mobilenet）
物体検出の概要
セグメンテーションの種類
OpenPose
モデル圧縮(軽量化）
畳み込みニューラルネットワーク（テスト）
RNNの概要
RNNの学習と問題点
RNNの工夫スキップ接続とリーキーユニット
RNN進化（ゲート付きＲＮＮ）
LSTMとGRU
RNNの発展形
系列データのニューラルネットワーク（テスト）
自然言語処理概要
自然言語処理の前処理データクレンジング
自然言語処理の前処理 BoW
自然言語処理の前処理 TF-IDF
ベクトル
テキストの数値ベクトル化
分散表現
word2vecとfastText
言語モデル
言語モデルの応用（アテンション）
言語モデルの応用（トランスフォーマー）
言語モデルの応用（BERTとは）
言語モデルの応用（BERTの学習方法）
GPT
自然言語処理（テスト）
音声データとは
音声認識とは
音声データの前処理 A-D変換
音声データの前処理フーリエ変換とその応用
WaveNet（ウェーブネット）とは
WaveNetの技術
音声処理のAI（テスト）
強化学習概要と用語
状態
報酬
行動の選択方策
行動の選択価値
行動の選択バンディットアルゴリズム
Q学習とDQN
AlphaGo
強化学習（テスト）
生成モデルとは
AE・VAE
GANとは
大規模言語モデルとChatGPTの仕組み
プロンプトエンジニアリング
生成モデル（テスト）
AIと社会問題（顔認識AI)
AIと社会問題（ディープフェイク)
AIと社会問題（Tayの暴走)
生成AIの利活用とリスク
AIのビジネス活用
AIプロジェクトの進め方
AI開発のガイドラインとアシロマAI原則
日本国内のガイドライン
海外のガイドライン
EUの政策
モビリティ
データの収集（良いデータとは）
データの収集（データの収集方法と利用条件）
個人情報とプライバシー
匿名加工情報
知的財産権
特許制度
AIと著作権
不正競争防止法
開発環境（Pythonの概要）
セキュリティ
プロダクトを考える
ディープラーニングの産業への応用１
ディープラーニングの産業への応用２
AIと社会（テスト）
模擬テスト