【E資格】能動学習（Active Learning）とは｜Uncertainty Sampling・Representative Sampling新着!!
能動学習(Active Learning)は、モデルが「どのデータにラベルを付けてもらうと最も学習に役立つか」を自ら選び、人間(アノテータ)に問い合わせることで、少ないラベル付けコストで高い性能を目指す学習方法です。アノテーションが高価な実務で重要な枠組みであり、代表的な選択戦略を学びます。
【E資格】半教師あり学習と自己教師あり学習｜Self-Training・Co-Training・対照学習
ラベル付きデータの収集には大きなコストがかかるため、少量のラベル付きデータと大量のラベルなしデータを組み合わせる「半教師あり学習」や、ラベルなしデータだけから疑似的なタスクで表現を学ぶ「自己教師あり学習」が重要になっています。この項目では、Self-Training・Co-Training・Contrastive learningという代表的手法を学びます。
【E資格】転移学習を徹底解説｜ファインチューニング・ドメイン適応・ドメインシフト
転移学習は、あるタスクやデータで学習した知識を別のタスク・データに再利用する学習方法です。大規模データで事前学習したモデルを少量データのタスクに活かす実務上きわめて重要な技術であり、この項目ではファインチューニング、ドメインシフト、ドメイン適応という中心概念を学びます。
【E資格】深層強化学習のモデル｜DQN・A3C（Q学習・Experience Replay・Actor-Critic）
深層強化学習は、試行錯誤を通じて報酬を最大化する行動を学ぶ強化学習に、深層ニューラルネットワークによる関数近似を組み合わせた分野です。この項目では、価値ベースの代表であるDQNと、方策ベース(Actor-Critic)の代表であるA3Cを軸に、行動価値関数・TD学習・Q学習・Experience Replay・方策勾配法といった基礎概念を学びます。
【E資格】GANを徹底解説｜DCGAN・Wasserstein GAN・Conditional GAN・CycleGAN
GAN(Generative Adversarial Network; 敵対的生成ネットワーク)は、データを生成する生成器と本物か偽物かを見分ける識別器を競わせて学習する生成モデルです。この項目では、基本的なGANの学習の仕組みと課題(モード崩壊など)、代表的な発展形であるDCGAN・Wasserstein GAN・Conditional GAN・CycleGANを学びます。