AWS 認定 機械学習 – 専門知識(AWS Certified Machine Learning – Specialty)の学習方法とマシンラーニング・ディープラーニングの基礎知識が学べる学習リソースの紹介

小西秀和です。
この記事は「AWS認定全冠を維持し続ける理由と全取得までの学習方法・資格の難易度まとめ」で説明した学習方法を「AWS 認定 機械学習 – 専門知識(AWS Certified Machine Learning – Specialty)」に特化した形で紹介するものです。
重複する内容については省略していますので、併せて元記事も御覧ください。
また、現在投稿済の各AWS認定に特化した記事へのリンクを以下に掲載しましたので興味のあるAWS認定があれば読んでみてください。

ALL Networking Security Database Analytics ML Alexa
DevOps Developer SysOps SA Pro SA Associate Cloud Practitioner

「AWS 認定 機械学習 – 専門知識」とは

「AWS 認定 機械学習 – 専門知識(AWS Certified Machine Learning – Specialty)」は一言で言えばAWSクラウドを活用した高度な機械学習環境の設計・構築・運用ができる専門知識を検証する認定と言えるでしょう。
機械学習のラーニングパスでは前提となるAWS認定の取得は特に推奨されているものはありません。
一方で後述の『「AWS 認定 機械学習 – 専門知識」の学習方法』で紹介している「試験ガイド」や「Exam Readiness」を確認していただければわかると思いますが、学習しておくべきAWSサービスは「機械学習」に関連するサービス全般にわたります。また、機械学習を実施する上で必要な基礎知識も身に着けておく必要があります(機械学習・深層学習の基礎知識については後述の「機械学習・深層学習の基礎知識を学べるリソース」で学習方法を紹介しています)。
そして、多くのAWSサービスの特徴を理解した上で、さらに高度な機械学習環境を実現するソリューションやトラブルシューティングの知識が必要とされるため数あるAWS認定の中でも難易度の高い認定です。

「AWS 認定 機械学習 – 専門知識」の学習方法

この認定に関係しているAWSの関連カテゴリと主要AWSサービスには以下のものが挙げられます。
【関連カテゴリ】:「機械学習」「分析」など
【主要AWSサービス】:S3、SageMaker、Augmented AI(A2I)、Comprehend、Forecast、Lex、Personalize、Polly、Rekognition、Textract、Translate、Transcribe、Deep Learning Containers、DeepLens、Machine Learning、Database Migration Service(DMS)、Athena、Data Pipeline、Elastic MapReduce(EMR)、Glue、Kinesis、QuickSight、Step Functions、Mechanical Turk、その他の機械学習を使用しているサービス、機械学習・深層学習の基礎知識など

学習順 学習リソース 学習リソースの活用ポイント 費用(税別)
随時 AWSドキュメント AWSドキュメントのうち上記に挙げた【関連カテゴリ】および【主要AWSサービス】に関係するものを中心に読みます。ただし、量が膨大なため以降の順番の中で辞書的に使用して、最後に受験まで余裕があったら学習過程で気づいた重要部分やサービス間連携する機能から優先的に熟読するという使い方をしています。 無料
随時 AWS認定対策本 受験するAWS認定の対策本が出版されていれば、その本から学習していくことも効率的な方法だと思います。私の場合は受験当時に対策本があまり無かったため、使用する機会がありませんでした。 2,000円~4,000円程度
随時 検索エンジンでキーワード検索 後述の学習リソースでわからなかったキーワードや内容を随時、検索エンジンで検索して出てきたブログなどを参考にします。特に日本語だけではなく英語で検索することは日本語サイトにはまだ掲載が少ない情報を英語圏のサイトから得ることで理解を深めることができるためおすすめです。 無料
1 試験ガイド 試験ガイドで受験するAWS認定の試験範囲とどのような内容が出題されるかを把握します。 無料
2 サンプル問題 試験ガイドとセットで掲載されているサンプル問題を解いて、出題傾向を把握します。 無料
3 AWSトレーニングライブラリ(Exam Readiness) Exam Readinessは試験準備のための要点がまとめられているデジタルトレーニングです。該当するAWS認定に関連するAWSサービスや出題傾向をここで把握します。「AWS 認定 機械学習 – 専門知識」にもExam Readinessはあるため受けてみることをおすすめします 無料
4 機械学習・深層学習の基礎知識習得 「AWS 認定 機械学習 – 専門知識」のAWS認定では機械学習・深層学習のアルゴリズムの特徴、データ前処理やモデルの選択・開発・トレーニング・テスト・チューニングといったフローなど機械学習・深層学習の基礎知識も必要です。後述の機械学習・深層学習の基礎知識を学べるリソース」で研修や実務などで前提知識が無かった私にとって理解に役立った学習リソースを紹介します。 後述
5 AWSサービス別資料 AWS Black Belt Online Seminarの資料が中心に掲載されており、重要ポイントが非常によくまとめられています上記に挙げた【関連カテゴリ】および【主要AWSサービス】に関係する資料内の知識は受験前に最低限インプットしておきます。 無料
6 AWS ナレッジセンター AWSのユーザーから最も頻繁に寄せられる質問と要望に対する回答がまとめられているため、AWS認定は勿論のこと実務でも非常に参考になります上記に挙げた【関連カテゴリ】および【主要AWSサービス】に関係するQ&Aの知識は受験前に最低限インプットしておきます。 無料
7 模擬試験 受験するAWS認定の出題傾向や重要点を確認できるため、試験直前の腕試しではなく可能な限り早い段階で受けることをおすすめします。受験する分野の既存知識があれば最初に受けても良いと思います。「AWS 認定 機械学習 – 専門知識」の場合は4,000円ですが、以前にAWS認定に合格していれば模擬試験の無料バウチャーがあるはずです 2,000円
or
4,000円
8 よくある質問 各サービス毎に用意されている「よくある質問」も一般的なQ&Aが記載されています。AWSナレッジセンターが実践的なQ&Aであるのに対して、基礎知識の整理と確認に有用です。上記に挙げた【関連カテゴリ】および【主要AWSサービス】に関係するQ&Aを中心に読んでいきます 無料
9 機械学習レンズ - AWS Well-Architected Framework AWSにはAWS Well-Architected Frameworkと呼ばれるAWSの長年の設計経験に基づいたベストプラクティス集があります。AWS Well-Architected Frameworkは実際のアーキテクチャ設計レビューなどでも活用される実践的なもので、年々進化するAWSサービスのアップデートに伴い、その内容も変わっていくためAWSの設計概念を知るには非常に有用です。AWS Well-Architected Frameworkには機械学習レンズという機械学習の設計方法に焦点を当てたベストプラクティス集も追加されているため、アーキテクチャを中心に読んでおいたほうが良いでしょう。 無料
10 AWS Blog日本語版 受験までの時間に余裕があれば、受験するAWS認定に関連するサービスの記事を中心に問題解決方法、アーキテクチャ、事例、認定が新設・改定される前にリリースされた機能追加について情報収集をします。AWS認定だけではなく業務でも有用なので定期的に読む習慣をつけると良いと思います。 無料
11 AWS Blog英語版(AWS Machine Learning Blog) 英語版は「機械学習」分野のカテゴリに特化した「AWS Machine Learning Blog」があるため、問題解決方法、アーキテクチャ、事例、認定が新設・改定される前にリリースされた機能追加の内容を中心に読んでおきます。 無料
12 AWS Events Content 過去のAWS Summitやre:Inventの資料などを検索して、受験するAWS認定に関連するサービスを学習します。特にre:InventのSessionで説明されている内容は参考になります。 無料

機械学習・深層学習の基礎知識を学べるリソース

機械学習・深層学習の基礎知識を学べるリソースには様々なものがありますが、機械学習について知識がなかった私が学習してきた中で理解が深まったと思える学習リソースをいくつか紹介しておきます。
ここで紹介したもの以外にも最近では無料~数千円程度で機械学習について学べる学習リソースが数多くありますので、自分にあったものを探してみるといいでしょう。

私の場合、元記事でAWS認定を全て取得するために一ヶ月に一回はAWS認定を受験する習慣を紹介しましたが、機械学習の基礎知識については他のAWS認定を受験しつつ、数ヶ月前からこれらの学習リソースで少しずつ学習を進めていきました。
ただ、これらは良い学習と経験にはなりましたが、後から考えると「AWS 認定 機械学習 – 専門知識」の合格だけを目的とするのであれば、これらすべての学習リソースを実施する必要はなかったと思っています。
AWS認定で必要な機械学習の基礎知識は後述のAWS公式のトレーニング・ドキュメントや「G検定」の関連書籍で用語と概念を学習して、「Python機械学習プログラミング」または「ゼロから作るDeep Learning」シリーズ を実装や出力結果の学習および辞書として使用し、後は不明な用語をネット検索するぐらいでよかったかもしれません。

AWSトレーニングライブラリのデジタルトレーニングとAmazon Machine Learningのドキュメント

費用:無料
AWSトレーニングライブラリのデジタルトレーニングにも機械学習・深層学習の基礎知識を学習できるリソースが用意されています。
また、既にサービス更新や新規ユーザー受け入れが終了している「Amazon Machine Learning」というAWSサービスのドキュメントに機械学習の基礎知識の習得に役立つページがあります。
次にAWS公式の学習リソースとして機械学習を学べるデジタルトレーニングと「Amazon Machine Learning」のドキュメントページを掲載しておきます。

AWSトレーニングライブラリのデジタルトレーニング

  • トレーニングライブラリ「人工知能(AI)」ドメイン
    機械学習・深層学習・AIに関する「人工知能 (AI)」ドメインへのリンクです。以降で紹介するデジタルトレーニング以外にも多くのトレーニングがあるため、ドメインの中から学習したいものを検索するのもよいでしょう。
  • AWS Foundations: Machine Learning Basics
    機械学習の基本的な概念、用語、プロセスの概要を学習できるデジタルトレーニングです。
  • Demystifying AI/ML/DL
    人工知能(AI)、機械学習(ML)、ディープラーニング(DL)の関係性について学習できるデジタルトレーニングのカリキュラムです。
  • ML Building Blocks: Services and Terminology
    基本的な機械学習の概念や用語とデータ処理プロセスを学ぶことができるデジタルトレーニングのカリキュラムです。
  • The Machine Learning Process
    問題のフレーミング、データクリーニング、データの視覚化と分析、特徴量エンジニアリング、モデルのトレーニングと評価など一般的なMLパイプラインの主要な段階を順を追って学ぶことができるデジタルトレーニングです。
  • The Elements of Data Science
    問題の定式化、探索的データ解析、特徴量エンジニアリング、モデルトレーニング、チューニングとデバッグ、モデルの評価と生産化など機械学習モデルの継続的な改善方法について学習できるデジタルトレーニングです。
  • Developing Machine Learning Applications
    Amazon SageMakerを使用した機械学習アプリケーションの開発・チューニングや教師あり学習、教師なし学習、強化学習、ディープラーニングといった機械学習アルゴリズムの分類と特徴について学習できるデジタルトレーニングのカリキュラムです。
  • Linear and Logistic Regression
    線形回帰モデル、ロジスティック回帰モデルの概要と最小二乗誤差、最尤推定、正則化、経験的損失最小化、勾配降下法といった最適化手法について学習できるデジタルトレーニングです。
  • Understanding Neural Networks
    ディープラーニングの構成要素でもあるニューラルネットワーク(単層、畳み込み、リカレント)について学習できるデジタルトレーニングです。
  • Semantic Segmentation Explained
    ディープラーニングで用いられる画像の各ピクセル(画素)にラベルやカテゴリを関連付けるセマンティックセグメンテーションについて学習できるデジタルトレーニングです。

Amazon Machine Learning(Amazon ML)ドキュメント

AWSドキュメントなのでHTML形式やPDF形式で見ることができ、受け入れ終了したAmazon MLサービス前提で記載されているとはいえ、AWS公式ドキュメントでもあるので一見の価値はあると思います。

  • 機械学習の概念
    AWSトレーニングライブラリで学習できるような機械学習の概念についてドキュメントでまとめてあります。
  • MLモデルのトレーニング
    Amazon ML前提で記載されているため、Amazon MLに特化した部分は読み飛ばしたり読み替えたりしながら見ていくことで、基本的なモデルのトレーニングの概要について学習できます。
  • 機械学習のデータ変換
    Amazon ML前提で記載されているため、Amazon MLに特化した部分は読み飛ばしたり読み替えたりしながら見ていくことで、基本的な機械学習のデータ変換について学習できます。
  • MLモデルの評価
    Amazon ML前提で記載されているため、Amazon MLに特化した部分は読み飛ばしたり読み替えたりしながら見ていくことで、基本的なモデルの評価方法について学習できます。

「G検定」の関連書籍と受験

費用:書籍各2,000円~3,500円、G検定受験料13,200円(税込)

JDLA(一般社団法人日本ディープラーニング協会)が主催するディープラーニングの基礎知識を検定する試験「G検定」の公式テキストです。
主要な機械学習と深層学習の概念について良い意味で広く浅く説明されているため、機械学習知識のない状態から基礎知識を短期間にまとめて学習するのに非常に役に立ちました。

加えて、次の「G検定」受験対策用の問題集は機械学習の概念について説明している範囲が広く、解説もテキストのように丁寧に記載されているため、同様に短期間で浅く幅広い知識を習得するのに役立ちました。

もし、スケジュールや予算があえば実際に「G検定」を受験してみるのも良いと思います。
私は実際に受験してみましたが、基礎知識に関する確認という意味では有用だと感じました。G検定は今のところ合格率も50%前後と高いため「AWS 認定 機械学習 – 専門知識」の前哨戦として受験しても不合格となって気持ちが萎える確率は低いでしょう。
※余談ですが、執筆者は海外で日本のIT資格が全く評価されないことを実感して以降、日本の団体が主催する資格に全く興味が無くなっていたのですが、上記2つの書籍は効率的に知識を習得する手段として利用するのはありだなと再認識させてくれました。

書籍「Python機械学習プログラミング 達人データサイエンティストによる理論と実践」

費用:書籍3,500円~4,500円

主にPythonによる機械学習プログラミングを通しながら機械学習の基本的概念全般を学習できる書籍です。
Amazon SageMakerのノートブックインスタンスで使用できる「Jupyter Notebook」、「Jupyter Lab」などで実際にPythonプログラムを実行しながら理解を深めることができます。 機械学習コンセプト全般が広くカバーされているため、他の書籍で登場しない概念もコーディングとあわせて学習できるのが良いところです。
そのため、 私の場合は「G検定」関連書籍の後にこの書籍を読んで、その後も機械学習の学習リソースの軸と位置づけて使用していました。
私がAWS認定に向けて学習していた時期は「第2版」でしたが、現在では敵対的生成ネットワーク(GAN)や強化学習の内容を追加した「第3版」が出ています。

書籍「ゼロから作るDeep Learning」シリーズ

費用:1冊あたり3,500円~4,500円

  1. 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
  2. ゼロから作るDeep Learning 2 ―自然言語処理編
  3. ゼロから作るDeep Learning 3 ―フレームワーク編

深層学習(ディープラーニング)を学習する入門書として定番となっている本です。
こちらもAmazon SageMakerのノートブックインスタンスで使用できる「Jupyter Notebook」、「Jupyter Lab」などで実際にPythonプログラムを実行しながら理解を深めることができます。
書籍の内容はディープラーニングにフォーカスしているため、1はニューラルネットワークの仕組み、誤差逆伝播法、CNN、ディープラーニングアルゴリズムなど、2は主に自然言語処理、RNNなどとなっており、「AWS 認定 機械学習 – 専門知識」に必要な基礎知識を広くカバーしているわけではありません。
そのため、私の場合は前述の「Python機械学習プログラミング」で学習した基礎知識にさらに上積みする目的で1と2を読みました。
書籍は現状、3までシリーズがあるので時間の余裕があれば3を読んでおくのも良いと思います。

Coursera "Machine Learning" - Stanford University

費用:受講無料(修了証書の発行は8,000円~9,000円)

Courseraの創設者Andrew Ng氏によるスタンフォード大学でのオンライン講義の一つで世界的に非常に高い人気があります。
多くのブログやSNSでも紹介されているため、名前だけは知っているという方も多いかもしれません。
「スタンフォード大学」というキーワードでかなり高いハードルを感じてしまうかも知れませんが、内容は機械学習の初学者向けで英語もIT用語中心で翻訳機能もついているため、基本的なITスキルが身についていればそこまで難しくはないと思います。

この講義の魅力はテキストと動画で機械学習の理論が学習できることに加え、毎週の課題で実践も学習できることです。大学の講義形式で全11週間の構成になっており、大半の週に1週間ごとのテストと課題が設けられています(課題の実装にはGNU Octave、MATLABというプログラミング言語を使用します)。
そのため、1日に1時間~2時間程度または週末に5時間~8時間程度のまとまった学習時間を確保する必要があります。ただ、内容を理解してテストや課題をクリアすれば次の週に進んでいけるため、習熟度次第で学習時間も短縮できます。

私の場合はこの講義を受講する時点で前述の「G検定」関連書籍、「Python機械学習プログラミング」、「ゼロから作るDeep Learning」シリーズの「1」を読み終わっていたため、既知の内容は他の書籍と比較程度に流し読みして講義期間を前倒しで進めていきました。
グローバルに多くの受講者から人気があるだけあって受講内容の充実度はかなり高く、「AWS 認定 機械学習 – 専門知識」の受験とは関係なく、まとまった時間とオンライン研修を受ける機会がある方には受講をおすすめしたくなる講義です。
この講義のシラバスは次のようになっています。

Week01:Introduction、Linear Regression with One Variable、Linear Algebra Review
Week02:Linear Regression with Multiple Variables、Octave/Matlab Tutorial
Week03:Logistic Regression、Regularization
Week04:Neural Networks: Representation
Week05:Neural Networks: Learning
Week06:Advice for Applying Machine Learning、Machine Learning System Design
Week07:Support Vector Machines
Week08:Unsupervised Learning、Dimensionality Reduction
Week09:Anomaly Detection、Recommender Systems
Week10:Large Scale Machine Learning
Week11:Application Example: Photo OCR

これ以外にもCourseraには様々な講座が用意されているため時間の余裕があれば他の講義も受講してみると面白いと思います。
特に深層学習について学習する場合には、同じくDeepLearning.AIの創設者でもあるAndrew Ng氏による次のディープラーニング専門講座があります。

また、最近ではAWSとDeepLearning.AIが協力して開講した実践的なデータサイエンス専門講座も受講できるようになっています。

Chainerチュートリアル「ディープラーニング入門」

費用:無料

Pythonによる深層学習プログラムの実装に使用できるライブラリ「Chainer」に関するチュートリアルです。
主に前述の「Python機械学習プログラミング」「ゼロから作るDeep Learning」シリーズなどで使用する「Jupyter Notebook」、「Jupyter Lab」でNumPy、scikit-learn、Pandas、Matplotlibといったライブラリを用いた実装する際に入門資料として見ていました。
他にも微分、線形代数、確率・統計やニューラルネットワークの概要が説明してあるので、基礎の基礎を知りたい場合に便利な学習リソースです。

KIKAGAKU | AIを無料で学べる学習サイト

費用:無料

「AWS 認定 機械学習 – 専門知識」に合格した後に知ったサイトです。機械学習について無知な状態のときに一番最初にこれで学習したかったなと思ったので紹介しておきます。
必要十分な文章と図でわかりやすく概要が説明されている印象です。
他にも有料ですがUdemyに「人工知能・機械学習 脱ブラックボックス講座」という機械学習の参考書を「閉じてしまった人」への再入門に最適な講座があるようです。

「AWS 認定 機械学習 – 専門知識」の学習過程で重要だと思った点

ここからは私が「AWS 認定 機械学習 – 専門知識」の学習過程でAWS認定のみならず実務的にも重要だと思った点をまとめてみます。
ただし、重要だと思う点に個人差があること、この記事の執筆時に思い出せず書き忘れがある可能性もあることをご了承ください。

【AWS認定目的で機械学習関連のAWS Blogを読むポイント】
難しい数学的概念やコーディングなどがある場合は記載内容を全て理解しようとせず、アーキテクチャ設計、データの形式・変換・流れ、連携するAWSサービス、使用されているアルゴリズムで実現できることやユースケースに着目して読み進めるのがおすすめです。

Amazon S3

Amazon SageMaker

Amazon Augmented AI(A2I)

Amazon Comprehend

Amazon Forecast

Amazon Lex

Amazon Personalize

Amazon Polly

Amazon Rekognition

Amazon Textract

Amazon Translate

Amazon Transcribe

AWS Deep Learning Containers

AWS DeepLens

Amazon Machine Learning

AWS Database Migration Service(AWS DMS)

AWS IoT Greengrass

Amazon Athena

AWS Data Pipeline

Amazon Elastic MapReduce(Amazon EMR)

AWS Glue

Amazon Kinesis

Amazon QuickSight

AWS Step Functions

Amazon Mechanical Turk

Others

  • AWSの機械学習サービスをグラレコで解説
    https://aws.amazon.com/jp/builders-flash/202003/awsgeek-sagemaker/
  • 機械学習と感度分析を組み合わせてビジネス戦略を開発する
    https://aws.amazon.com/jp/blogs/news/developing-a-business-strategy-by-combining-machine-learning-with-sensitivity-analysis/
  • Amazon Aurora機械学習を使用して顧客に関する洞察を得る
    https://aws.amazon.com/jp/blogs/news/gain-customer-insights-using-amazon-aurora-machine-learning/
  • 機械学習(マシンラーニング)・深層学習(ディープラーニング)の基礎知識
    前述の機械学習・深層学習の基礎知識を学べるリソースなどで学習した内容。
    学習の参考となる一部のキーワードを次に記載します。
    教師あり学習、線形回帰、ロジスティック回帰、二項分類、マルチクラス分類、KNN、ランダムフォレスト、決定木、ブートストラップサンプリング、アンサンブル学習、バギング、ブースティング、勾配ブースティング、AdaBoost、XGBoost、サポートベクターマシン(SVM)、マージン最大化、カーネル関数、カーネルトリック、教師なし学習、k-means、エルボー法、クラスタリング(クラスター分析)、主成分分析(PCA)、トレーニングデータ、検証データ、テストデータ、交差検証、k-分割交差検証、ホールドアウト検証、ROC曲線下面積(AUC)、残差プロット、混同行列、True Positive(TP, 真陽性)、False Positive(FP, 偽陽性)、False Negative(FN, 偽陰性)、True Negative(TN, 真陰性)、正解率(accuracy)、適合率(precision)、再現率(recall)、特異率(Specificity)、F値(F-measure)、カテゴリ変数、ラベルエンコーディング、ワンホットエンコーディング、ニューラルネットワーク、単純パーセプトロン、多層パーセプトロン、入力層、隠れ層(中間層)、出力層、重み、誤差逆伝播法、勾配消失問題、活性化関数、恒等関数、シグモイド関数、tanh関数、ReLU関数、ソフトマックス関数、コスト関数、オートエンコーダ、積層オートエンコーダ、事前学習、ファインチューニング、深層信念ネットワーク、勾配降下法、偏微分、最小二乗法、最尤推定、正則化、経験的損失最小化、エポック、バッチサイズ、ミニバッチサイズ、イテレーション数、学習率、局所最適解、大域最適解、鞍点、プラトー、モーメンタム、Adagrad、Adadelta、RMSprop、Adam、偏差、標準偏差、分散、アンダーフィッティング、学習不足、高いバイアス、低いバリアンス、オーバーフィッティング、過学習、低いバイアス、高いバリアンス、L1正則化、ラッソ回帰、L2正則化、リッジ回帰、Elastic Net、ドロップアウト、early stopping、特徴量エンジニアリング、特徴量スケーリング、正規化、標準化、白色化、バッチ正規化、重みの初期化、欠損値の対応方法、リストワイズ法、ペアワイズ法、平均(中央)値代入法、多重代入法、次元削減、特徴選択、特徴抽出、t分布型確率的近傍埋め込み法(T-distributed Stochastic Neighbor Embedding, t-SNE)、線形判別分析(LDA)、確率分布、ハイパーパラメータ、ランダムサーチ、グリッドサーチ、ベイズ最適化、畳み込みニューラルネットワーク(CNN)、畳み込み層、特徴マップ、プーリング層、ダウンサンプリング、maxプーリング、avgプーリング、全結合層、不均衡データへの対応方法、データ拡張(水増し)、オーバーサンプリング、SMOTE、アンダーサンプリング、You Only Look Once(YOLO)、シングルショットマルチボックス検出器(Single Shot MultiBox Detector, SSD)、バウンディングボックス、セマンテックセグメンテーション、インスタンスセグメンテーション、転移学習、リカレントニューラルネットワーク(RNN)、LSTM、GRU、強化学習、Deep Q-Network(DQN)、深層強化学習、深層生成モデル、画像生成モデル、変分オートエンコーダ(VAE)、敵対的生成ネットワーク(GAN)、ジェネレーター、ディスクリミネーター、word2vec、seq2seq、TF-IDF、ナイーブベイズ、潜在的ディリクレ配分法(LDA)、協調フィルタリング、ニューラルチューリングマシン(NTM)、WaveNet、折れ線グラフ、散布図、箱ひげ図(ボックスプロット)、ヒートマップ、ヒストグラム、ピボットテーブル、など
小西秀和

執筆者小西秀和

ALL AWS Certifications Engineer(AWS認定全取得)の知識をベースにAWSクラウドの活用に取り組んでいます。