5万円で JDLA の E資格 に挑戦 ! スキルアップAI『現場で使えるディープラーニング基礎講座』 受講記録 その1

www.skillupai.com


JDLAの E資格 は 決められた認定プログラムを修了しなければ受験することができない
自動車運転免許の教習所や医師免許の医学部卒業と同じようなシステムがとられている


E資格認定プログラム事業者は多数あるもののいずれも結構いい値段がする
www.jdla.org


その中で最も廉価と思われる 5万円で受けられる スキルアップAI の『現場で使えるディープラーニング基礎講座』に申し込んでみた。動画視聴とテストのみで講師への質問はできない。質問したい場合は11万円のオプションを申し込む
www.skillupai.com


この講座には4つの修了条件が設定されている
1) 数学知識テスト
2) 機械学習知識テスト
3) 深層学習知識テスト
の3つのテストに合格することと
4) AIモデル作成課題
で基準精度に達成すること


この5万円の講座で動画授業があるのは
3) 深層学習知識テスト
4) AIモデル作成課題
に関してだけなので


1) 数学知識テスト
2) 機械学習知識テスト
は独学で乗り越えるか別料金の講座を申し込むことになる。安さを求めているので無論独学を選択


ゴールデンウィークに申し込んで約1ヶ月たったのでここまでの進捗をまとめる


5/27現在
1) 数学知識テスト 合格
2) 機械学習知識テスト 合格
3) 深層学習知識テスト 未受験
4) AIモデル作成課題 完了


テストは事前に問題が配られて準備ができる方式。とはいえある程度勉強が進んでいないと問われていることが理解できないと思う
レベル的には E資格 黒本 と同程度かと 。ただし、黒本と同じ問題ではない。なお、黒本の著者 は スキルアップAIの講師の皆さん
book.impress.co.jp



1) 数学知識テスト (合格)
情報理論特異値分解の資料は配布されたが他はなし。微分線形代数、確率統計の基礎がわかっていないと資料見ただけでテストに合格するのは難しそう


★ 数学の独学に役立った情報

【無料】 キカガク 脱ブラックボックスコース
www.meti.go.jp


【無料】 @IT AI・機械学習の数学入門 ― 中学・高校数学のキホンから学べる
atmarkit.itmedia.co.jp


【無料】Youtube 某处生活_LiveSomewhere 特異値分解
www.youtube.com


2) 機械学習知識テスト (合格)
資料等一切なし

機械学習の独学に役立った情報

思い出したら書きます


3) 深層学習知識テスト (未受験)
DAY1からDAY8まである動画講座のうちまだDAY4までしか見ていないので、全部見てから受けるつもり。AIモデル作成課題 は DAY4 までの動画でできる設定になっている。DAY5以降は課題には関係ない(と思う。まだ見てないので勘違いかもしれないけど)


4) AIモデル作成課題 (合格)
動画やnotebookを使った教材など講義内容は盛りだくさん。


★ AIモデル作成課題に役立った情報

オライリー ゼロから作るDeep Learning ―― Pythonで学ぶディープラーニングの理論と実装
www.oreilly.co.jp

自力では設定された基準精度より1%低いところまでしか行けなかった。基準精度に到達できたのはこの本のおかげ。
あとメモリのでかい(64GB)PCを使っていたのも大きい。学習に使うデータ量によってはメモリ不足でエラーになったりするので


ここまでの感想
価格が安い分、動画視聴のみで講師への質問やオフラインでの講義やグループワークは省略されているが、E資格取得を目的とするのであれば十分な内容だと感じた
本番試験に向けての試験対策はどのみち独学でやるしかないと思うので、自分の熱量の大きいうちになるはやで受験資格を取っておきたい方にはおススメできるかなと。実際に受験して結果出てみないとわからないけど。
DAY1からDAY3までの講義動画は無料で視聴できるので、興味がある方は申し込んでみるのもありかと。https://www.skillupai.com/deep-learning/
一番安いところとはいえ、5万円を無駄にしたくはないので私自身もこれを見て判断


なお、本番試験での合格率の高さをアピールしている事業者もいるが、それは修了条件がかなり高いところに設定されているということの裏返しでもあると思うので、個人的にはいかがなものかと。修了できなきゃ意味ないじゃん


一旦、以上

Azure Machine Learning SDK の概要 dp100

docs.microsoft.com

Azure リソースとしてのワークスペース

https://docs.microsoft.com/ja-jp/learn/wwl-data-ai/intro-to-azure-machine-learning-service/media/01-02-workspace.png


演習
Azure Machine Learning ワークスペースを作成する
01 - Get Started with Notebooks
02 - Get AutoML Prediction
03 - Get Designer Prediction翻訳.ipynb

実験を実行する
04 - Run Experiments

回帰モデルの評価指標 メモ

よく忘れるので すぐに確認できるようにメモ

MAE (Mean Absolute Error ) 平均絶対誤差

絶対誤差 = 絶対値 ( 正解値 - 予測値 ) ← これをすべてのサンプルで計算して 平均を取る
誤差の平均なので直感的にわかりやすい
外れ値の影響を低減した形での評価に適した指標 (Kaggle本より)

MSE ( Mean Squared Error ) 平均二乗誤差

二乗誤差 =  ( 正解値 - 予測値 )^ 2 ← これをすべてのサンプルで計算して 平均を取る
予測値と真値の差を二乗するため、真値から大きく外れたデータが多いと、MSEが大きくなりやすい
MSEの単位は真値の二乗になる

RMSE ( Root Mean Squared Error ) 平均平方二乗誤差

↑の MSEのルートを取ったもの
\sqrt{MSE}
RMSEの単位は真値の単位と同じになる。MSEに比べて直感的に分かりやすい
MAEと比較すると外れ値の影響を受けやすいので、あらかじめ外れ値を除く処理などをしておかないと外れ値に過剰に適合したモデルを作成してしまう可能性がある (Kaggle本より)

R^ 2 ( R-squared, coefficient of determination ) 決定係数

モデルがデータにどれだけ当てはまっているかを表す
1.0に近いほどモデルが適合している

決定係数

この指標を最大化することはRMSEを最小化することと同じ意味 (Kaggle本より)
これをはてな記法で書くのはしんどい...

RMSLE ( Root Mean Squared Logarithmic Error ) 平均平方二乗対数誤差

二乗対数誤差 = (log(1 + 正解値) - log( 1+ 予測値) )^ 2 ← これをすべてのサンプルで計算して 平均を取ったのが MSLE ( Mean Squared Logarithmic Error )
MSLEのルートを取ったのが RMSLE
\sqrt{MSLE}

MAPE (Mean Absolute Percentage Error ) 平均絶対パーセンテージ誤差

絶対パーセンテージ誤差 = 絶対値 ( 正解値 - 予測値) / 正解値 ← これをすべてのサンプルで計算して 平均を取る