プログラムのゴールと特徴プログラムのゴールデータ分析職 ( データサイエンティストでなくとも ) に求められる高度な統計学や機械学習の理論とスキルを体系立てて理解しビジネス課題に適用できる人材の育成を目指します具体的には以下のことができるようになることを目指します高度なデータ分析技術を用いて

Size: px

Start display at page:

Download "プログラムのゴールと特徴プログラムのゴールデータ分析職 ( データサイエンティストでなくとも ) に求められる高度な統計学や機械学習の理論とスキルを体系立てて理解しビジネス課題に適用できる人材の育成を目指します具体的には以下のことができるようになることを目指します高度なデータ分析技術を用いて"

みずきはらしない
5 years ago
Views:

1 データサイエンティスト育成プログラムカリキュラム株式会社データミックス

プログラムのゴールと特徴プログラムのゴールデータ分析職 ( データサイエンティストでなくとも ) に求められる高度な統計学や機械学習の理論とスキルを体系立てて理解しビジネス課題に適用できる人材の育成を目指します具体的には以下のことができるようになることを目指します高度なデータ分析技術を用いてビジネスの課題の解決ができるなぜこの分析手法を使うのか

2 プログラムのゴールと特徴プログラムのゴールデータ分析職 ( データサイエンティストでなくとも ) に求められる高度な統計学や機械学習の理論とスキルを体系立てて理解しビジネス課題に適用できる人材の育成を目指します具体的には以下のことができるようになることを目指します高度なデータ分析技術を用いてビジネスの課題の解決ができるなぜこの分析手法を使うのかを技術的な側面とビジネスの側面から判断できる Python や R を使って求められている課題に対し適切な分析手法を実行できる ( やってはいけないことも理解している ) 分析結果をクライアント ( 社内社外問わず ) にわかりやすく説明できる特徴体系立てて学習することでデータ分析技術の引き出しを増やします小規模クラスのためクラス内での議論や講師とのやりとりを多くすることで内容の理解を深めることができます理解を深めるためのクイズやハンズオンでの演習 ( 宿題含む ) を数多く実施し理解するだけなく手を動かせることを目標にします 1

3 プログラムの想定受講者本プログラムは以下のような受講者を想定していますキャリアの指向性ビジネス課題を解決することに興味がある方 ( ビジネス課題を解決するための道具として高度なデータ分析手法を駆使したい方 ) 数学分野の条件原則数式にアレルギーがなければ受講可能です < 望ましい条件 > 高校または大学で微分積分線形代数の授業を受講したことがある方文系理系問わず大学で定量系の研究室ゼミに所属していた方 ( 金融経済心理学商学系などデータ分析に関係していれば問題ありません ) プログラミングの経験原則不要ですただし初学者の方は学習開始時は宿題に週 20 時間ほどの時間がかかる場合がありますのでお時間の確保をお願いします < 望ましい条件 > Python, R, C, Java, Ruby などのプログラミング言語を業務または個人プロジェクトで触ったことがある方 2

4 受講条件ノートPCは各受講者で用意できることどうしても用意できない場合はご相談ください持参するノート PC に Python や R などソフトウェアをインストールできることまた必要に応じて各ソフトウェアのライブラリをインストールできること復習や宿題を実施する時間をとることができること目安として講義とは別に週に5~10 時間程度の時間を確保できること 3

5 カリキュラムの全体像大きく 4 つのステップにわかれていますブートキャンプベーシックの 2 つのステップは業界に関わらず必要なデータサイエンスの基礎を学びます後半のアドバンスインテグレーションではそれぞれの業界でより求められるスキルを優先的に学びます 4

6 ブートキャンプステップ Bootcamp step 5

7 ブートキャンプステップの構成コース概要主なトピック Python による線形代数レビュー ( 講義 : 3 時間 ) R による統計学入門 ( 講義 : 3 時間 ) Python による機械学習ベーシック ( 講義 : 3 時間 ) 基本的な Python でのコーディングを習得することに加え機械学習や統計モデルを理解するために必要最低限の線形代数を Python を使いながら学習します R 言語を用いて統計学の基本的な考え方と確率モデルについて学びます今後の学習をスムーズにするため理論と実践をバランスよく行います Python の中でもデータ分析で用いられ r る NumPy, pandas, scikit-learn といったライブラリの使い方を学習しますまた機械学習の中でも教師あり学習を中心に理論を学びますプログラミング基礎ベクトル行列 NumPy 行列分解確率分布最尤推定点推定区間推定仮説検定 pandas を用いたデータ加工教師あり学習勾配降下法 SQL によるデータ加工とデータ可視化 ( 講義 : 3 時間 ) データ分析のためのロジカルシンキング ( 講義 : 3 時間 ) 大量データを扱ううえではデータベースを思い通りにできるようになることが重要です数千万レコードのデータを SQL を用いて集計加工するスキルを学習しますまた結果を可視化する方法を学びます本コースではこのビジネス課題から分析課題への落とし込むための定量的なロジカルシンキングとデータプレゼンテーションをケースを通じて学習します SQL データ可視化ダッシュボード KPI ロジックツリー分析結果から施策の提案データプレゼンテーション 6

8 ブートキャンプステップの進め方ブートキャンプステップは基礎的な知識スキルを短期間で獲得するため講義は毎週行われますまたわかったつもりにならないよう毎週コーディングを含めた課題が出されますその課題を解くことにより手を動かす力を身につけます Week1 Python による線形代数個人課題 Week2 R による統計学入門個人課題 Week3 Python による機械学習ベーシック個人課題 Week4 SQL によるデータ加工とデータ可視化個人課題 Week5 ロジカルシンキング 7

9 ベーシックステップ Basic step 8

10 ベーシックステップの構成コース概要主なトピック R による統計モデリングレクチャー (3 時間 ) プロジェクト統計モデルの中では一般的な線形回帰モデルを含む一般化線形モデルを学習しますまたモデルの推定に伴う検定やモデル選択モデル評価を学習します約 2 週間かけて以下の 3 つのテーマに取り組みます ( 具体的なプロジェクトは変更になる可能性があります ) 線形回帰モデルを用いたモデル構築線形回帰モデルのチェックロジスティック回帰を用いたモデル構築線形回帰モデル回帰係数の t 検定 F 検定決定係数 AIC モデル選択ロジスティック回帰モデルオッズ比 Z 検定回帰診断機械学習プロジェクトレクチャー (3 時間 ) プロジェクト教師あり学習と教師なし学習のアルゴリズムを速習します ( 事前にリーディング資料をお渡しします ) また Python と R での実行方法や気をつけるべきことをお伝えします約 2 週間かけて以下の 2 つのテーマに取り組みます予測モデル構築クラスタリング Lasso, Ridge, ElasticNet SVM 決定木アンサンブル学習ニューラルネットワーク KMeans 法階層型クラスタリングスペクトラルクラスタリングクロスバリデーションパラメータチューニング特徴量作成選択 9

11 ベーシックステップの進め方ベーシックステップは統計モデリングと機械学習を中心に実践スキルを鍛えていきますそれぞれのコースでレクチャーを 3 時間その後約 2 週間かけてグループワークと個人プロジェクトに取り組みますさらに 2 週間後に取り組んだ課題の成果を各自発表することでデータプレゼンテーションのスキルを高めます Week1 R による統計モデリングレクチャー Week2 Week3 Week4 R による統計モデリング成果発表機械学習プロジェクトレクチャー機械学習事前予習課題 ( 個人課題 ) Week5 Week6 機械学習プロジェクト成果発表 10

12 アドバンスステップ Advance step 11

13 アドバンスステップの構成トラック名主な対象者対象業界推奨選択コースコース概要 AdTech トラックモバイルアプリや B to C の Web サービスアドテクサービスを展開する企業でのデータサイエンティストを目指す方レコメンデーションアルゴリズム自然言語処理と API BigData (Spark) クリックやコンバージョンを高めるための高度なレコメンデーションアルゴリズムを学びます記事のクロールや収集した記事の処理 ( 自然言語処理 ) それをサービス化するための API 作成について学びますログデータなど数億単位の大規模データを扱うためのフレームワーク (Spark) の使い方を学びます LogiTech トラック機械学習人工知能を用いてこれまでにない物流業界におけるデータサイエンティストを目指す方組み合わせ最適化と動的計画法需要予測 ( 時系列分析 ) Deep Learning 組み合わせ最適化動的計画法など物流倉庫や配送など物流は最適化問題に取り組むスキルを身につけます ARIMA VAR 状態空間モデルなど時系列分析を学習し需要予測を行うアルゴリズムを学びます画像認識 (CNN) と時系列分析 (RNN) をディープラーニングを用いて行う方法を学習し複雑な課題への対応力を高めます Digital Marketing トラックデジタルマーケティングマーケティングサイエンスを強みとしたデータサイエンティストを目指す方統計的因果推論と実験デザインマーケティングミックスモデリングベイズモデリング入門施策の効果を検証したり意思決定を支援するために実験デザイン統計的因果推論を学習します広告予算の最適化のためのマーケティングミックスモデリングを学習します消費者行動を理解したり one to one マーケティングなどで使われたりするベイズモデリング手法を学びます金融業界向けのコース (FinTech トラック ) は現在準備中 12

14 アドバンスステップの進め方アドバンスステップはベーシックステップと同様それぞれのコースでレクチャーを 3 時間その後約 2 週間かけてグループワークと個人プロジェクトに取り組みますまた 2 週間後に取り組んだ課題の成果を各自発表することでデータプレゼンテーションのスキルを高めます Week1 選択コース 1 レクチャー Week2 Week3 Week4 選択コース 1 成果発表選択コース 2 レクチャー事前予習課題 ( 個人課題 ) Week5 Week6 Week7 選択コース 2 成果発表選択コース 3 レクチャー事前予習課題 ( 個人課題 ) Week8 Week9 選択コース 3 成果発表 13

15 インテグレーションステップ Integration step 14

16 これまで学習したスキルを統合するインテグレーションステップインテグレーションステップのゴール約 1 ヶ月間かけてビジネス課題をデータサイエンスを用いて解決するためのプロジェクトを行います具体的には分析計画の策定実際の分析作業結果のレポーティングまでの一連の流れを行いますまた毎週個別メンタリングを通じて進捗確認と技術的なサポートを行いながらより実務で使うテクニックの習得を行います本コースの受講後にできることビジネス課題を分析課題へ翻訳しプロジェクトに仕立てることができる分析計画を策定することができるデータの抽出前処理分析アルゴリズム選択評価など一連の作業を一人で実行できるオーディエンスに合わせたデリバリーができる新しいスキルを学び続ける方法を身につける本コースで使用するソフトウェア : R, Python など何でも構いませんインテグレーションステップの進め方 : Week1 プロジェクト発表個人プロジェクト Week2 個別メンタリング個人プロジェクト Week3 個別メンタリング個人プロジェクト Week4 成果発表プレゼンテーション 15

17 本講座カリキュラムについてのお問い合わせ株式会社データミックス 16

Microsoft Word - Udemyで講座配信_最終版.docx

Microsoft Word - Udemyで講座配信_最終版.docx 報道関係各位 2018 年 5 月 24 日株式会社アイデミー AI プログラミング学習 Aidemy オンライン学習プラットフォーム Udemy で動画教材配信 - ディープラーニングの基礎を動画で学び 10 秒で即実践できる複合教材へ - AI プログラミング学習サービス Aidemy を提供する株式会社アイデミー ( 本社 : 東京都渋谷区代表取締役 CEO 石川聡彦 ) は世界最大級のオンライン学習プラットフォーム