今回の記事ではシラバスをもとにE資格の試験内容について紹介します。
詳細は以下のリンクからご確認ください。
https://www.jdla.org/certificate/engineer/
１．応用数学
（１）確率・統計
①一般的な確率分布
ベルヌーイ分布
多項分布
ガウス分布
②ベイズ則
（２）情報理論
①情報理論
情報量
２．機械学習
（１）機械学習の基礎
①学習アルゴリズム 教師あり学習
教師なし学習
半教師あり学習
転移学習
②機械学習課題
能力、過剰適合、過少適合
次元の呪い
③ハイパーパラメータ
④検証集合
学習データ、検証データ、テストデータ
ホールドアウト法
k-分割交差検証法
⑤最尤推定
条件付き対数尤度と平均二乗誤差
（２）実用的な方法論
①性能指標
②ハイパーパラメータの選択
手動でのハイパーパラメータ調整
グリッドサーチ
ランダムサーチ
モデルに基づくハイパーパラメータの最適化
（３）強化学習
①方策勾配法
②価値反復法
３．深層学習
（１）順伝播型ネットワーク
①全結合型ニューラルネットワーク
②損失関数 最尤推定による条件付き分布の学習
③活性化関数 シグモイド関数
Softmax関数
ReLU, Leaky ReLU
tanh
④誤差逆伝播法およびその他の微分アルゴリズム 計算グラフ
微積分の連鎖率
誤差逆伝播のための連鎖律の再起的な適用
シンボル間の微分
一般的な誤差逆伝播法
（２）深層モデルのための正則化
①パラメータノルムペナルティー
L2パラメータ正則化
L1正則化
②データ集合の拡張
Rnadom Flip・Erase・Crop・Contrast・Brightness・Rotate, MixUp
③ノイズに対する頑健性
出力目標へのノイズ注入
④マルチタスク学習
⑤早期終了
⑥スパース表現
⑦バギングやその他のアンサンブル手法
⑧ドロップアウト
（３）深層モデルのための最適化
①学習と純粋な最適化の差異
バッチアルゴリズムとミニバッチアルゴリズム
②基本的なアルゴリズム
確率的勾配降下法
モメンタム
③パラメータの初期化戦略
④適応的な学習率を持つアルゴリズム
AdaGrad
RMSrop
Adam
⑤最適化戦略とメタアルゴリズム
バッチ正規化
Layer正規化
Instance正規化
教師あり事前学習
（４）畳み込みネットワーク
①畳み込み処理
②プーリング
（５）回帰結合型ニューラルネットワークと再帰的ネットワーク
①回帰結合型のニューラルネットワーク
②双方向 RNN
③Encoder-Decoder と Sequence-to-Sequence
④長期依存性の課題
⑤ゲート付きRNN
LSTM
GRU0
⑥長期依存性の最適化
勾配のクリッピング
⑦Attention
（６）生成モデル
①識別モデルと生成モデル
②オートエンコーダ
VAE
VQ-VAE
③GAN
DCGAN
Conditionnal GAN
（７）深層強化学習
①深層強化学習のモデル
AlphaGo
A3C
（８）グラフニューラルネットワーク
①グラフ畳み込み
（９）深層学習の適用方法
①画像認識
GoogLeNet
ResNet, WideResNet
DenseNet
EfficientNet
②画像の局在化・検知・セグメンテーション
FasterR-CNN
YOLO
SSD
MaskRーCNN
FCOS
③自然言語処理
WordEmbedding
Transformer
BERT
GPT-n
④音声処理
WaveNet
サンプリング、短時間フーリエ変換、メル尺度
CTC
⑤スタイル変換
pix2pix
（１０）距離学習（Metric Learning）
①2サンプルによる比較
SiameseNet
②3サンプルによる比較
TripletLoss
（１１）メタ学習（Meta Learning）
①初期値の獲得
MAML
（１２）深層学習の説明性
①判断根拠の可視化
Grad-CAM
②モデルの近似 LIME
SHAP
４．開発・運用環境
（１）ミドルウェア
①深層学習ライブラリ
（２）エッジコンピューティング
①軽量なモデル MobileNet
②モデルの軽量化 プルーニング
蒸留
量子化
（３）分散処理
①モデル並列
②データ並列
（４）アクセラレータ
①デバイスによる高速化
GPU
（５）環境構築
①コンテナ型仮想化
Docker
まとめ
最後までご覧いただきありがとうございました。
