高校生コース

高校生コース

高校生コース指導内容

人工知能研究者になるために、人工知能研究で世界を牽引するスタンフォード人工知能研究所があるスタンフォード大学のコンピュータサイエンス専攻への入学を目指します。

スタンフォード大学のコンピュータサイエンス専攻への入学

人工知能研究者になるために、人工知能研究で世界を牽引するスタンフォード人工知能研究所があるスタンフォード大学のコンピュータサイエンス専攻への入学を目指します。

AP(Advanced Placement)のMathにおいて、評価5で取得

AP(Advanced Placement)のMathの
AP Calculus AB
AP Calculus BC
AP Statistics
に関して、大学の数学の「微分積分」と「線形代数」と「統計学」を基礎にして、これらに対して評価5を取得するように指導します。

テキストとして、Barron'sの
AP Calculus Premium
AP Statistics Premium
を使用しています。

AP(Advanced Placement)のComputer Scienceにおいて、評価5で取得

AP(Advanced Placement)のComputer Scienceの
AP Computer Science A
AP Computer Science Principles
のために、プログラム言語Javaの徹底レッスンを行い、これらに対して評価5を取得するように指導します。

テキストとして、Barron'sの
AP Computer Science A
AP Computer Science Principles Premium
を使用しています。

AP(Advanced Placement)のComputer ScienceのためのJavaの習得

AP(Advanced Placement)のComputer Scienceで使用されるプログラミング言語は、Javaです。
なので、Java言語のレッスンを行います。

当レッスンでは、Pythonを中心にプログラミングを教えてきましたので、Javaの習得も容易に行うことができます。

Javaの統合開発環境(IDE)として、Eclipseを使用しています。

深層学習(Deep Learning)のプログラムをフルスクラッチで構築

深層学習(Deep Learning)は、多層の人工ニューラルネットワークを効率よく学習させるために開発されたアルゴリズムとして考えることができる。

多層ニューラルネットワークでは、出力された値から正解値との誤差を計算し、これを入力方向に伝搬することで、すべての重みを適正な値に更新する「誤差逆伝搬(バックプロパゲーション)」のアルゴリズムの理解が必須であるが、この誤差逆伝搬の数学的な理論を解説し、そのアルゴリズムを理解する。

パイソンによるフルスクラッチの実装を行い、その動作を確認する。

そして、MNISTデータセットの手書き文字を分類するために、パイソンで実装した多層ニューラルネットワークをトレーニングし、認識精度を確認する。

画像分類問題で並はずれた性能を発揮する畳み込みニューラルネットワーク(CNN)において、畳み込み層とプーリング層と過学習対策のドロップアウトの解説を行い、パイソンによるフルスクラッチの実装を行い、その動作を確認する。
そして、MNISTデータセットの手書き文字を分類するために、パイソンで実装した畳み込みニューラルネットワークをトレーニングし、認識精度の向上を確認する。

人工知能の理論をパイソンのプログラムで実現

人工知能の理論の中核をなす機械学習のアルゴリズムを解説し、パイソンのプログラムで実現する。

機械学習には、大きく分けると、教師あり学習、教師なし学習、強化学習がある。

教師あり学習は、ラベル付けされたトレーニングデータからモデルを学習し、未知のデータを予測することである。

教師あり学習には、連続値を予測する回帰分析と、離散値を予測する分類がある。

回帰分析では、観測データに内在する関数を見出すために、その関数を多項式と仮定し、観測データとの二乗誤差を最小にする多項式の係数を決定する最小二乗法のアルゴリズムを解説し、パイソンによる実装を行い、その動作を確認し、理解を深める。
また、観測データが得られる確率を多項式の係数の関数とみなし、その確率を最大にする多項式の係数を決定する最尤推定法のアルゴリズムを解説し、パイソンによる実装を行い、その動作を確認し、理解を深める。

分類では、パーセプトロンのパラメーターを誤差関数の確率的勾配降下法によって更新するアルゴリズムを解説し、パイソンによる実装を行い、その動作を確認し、理解を深める。
また、パーセプトロンのパラメーターを最尤推定法で決定するロジスティック回帰の解説を行い、パイソンによる実装を行い、その動作を確認し、理解を深める。

教師なし学習では、ラベル付けされていないデータや構造が不明なデータを扱う。教師なし学習の手法を用いることで、データの隠れた構造を調べることで意味のある情報を取り出すことができる。

クラスタリングは、大量の情報を意味のあるグループ(クラスタ)として構造化できる探索的データ解析の手法である。

k平均法では、二乗歪みを定義し、これを最小化するクラスタリングを行う。パイソンによる実装を行い、その動作を確認し、理解を深める。

EMアルゴリズム(期待値最大化アルゴリズム)は、確率分布を用いた最尤推定法によるクラスタリングを行う。パイソンによる実装を行い、その動作を確認し、理解を深める。

ベイズ推定は、ベイズの定理により、多くの観測事象が利用可能になると、仮説を確率的な意味で推論することができ、仮説の確率を更新するために使用される。

このベイズ推定を回帰分析に適応させ、パイソンによる実装を行い、その動作を確認し、理解を深める。

強化学習は、エージェントが、ある環境内で、行動することで報酬を得ることができるが、一連の行動を通じて報酬が最も多く得られるような方策を学習する機械学習の一種である。
環境はマルコフ決定過程で記述される。

古典的な動的計画法と強化学習アルゴリズムの主な違いは、後者はマルコフ決定過程の正確な数学モデルを前提としておらず、正確な方法が実行不可能になる大きなマルコフ決定過程を対象としている。

古典的な動的計画法のアルゴリズムであるポリシー反復法や価値反復法を解説し、パイソンによる実装を行い、その動作を確認し、理解を深める。

さらに、先進的なQ-LearningやDQN(Deep Q Network)を解説し、パイソンによる実装を行い、その動作を確認し、理解を深める。

高校生コースの料金表

 60分レッスンを週1回 ¥12,000円/月
 60分レッスンを週2回 ¥24,000円/月
120分レッスンを週1回 ¥24,000円/月
120分レッスンを週2回 ¥48,000円/月

指導開始までの流れ

お問合せからレッスンスタートまでの流れをご紹介します。

お問合せ

お気軽にお問い合わせください。
レッスン内容やオンライン環境など疑問を持たれた点は、お気軽にお電話や「お問合せフォーム」からお問い合わせください。
 

お電話でのお問合せはこちら

080-2134-2580

無料体験レッスンのお勧め

レッスン内容やオンライン環境など疑問は、無料体験レッスンをお受けいただくことによって、すぐに解消されますので、無料体験レッスンをお勧めをしています。

無料体験レッスンの受講

体験レッスンでは、お子さんの現状をしっかりと把握・分析し、最適なテキストを使用して、通常行っているレッスンに近い状態で指導をさせて頂きます。保護者様も一緒に聞いて頂けます。

体験レッスンを受けたからといって必ずしも入会しなければならないわけではございませんのでご安心下さい。

お申込み・契約内容のご確認

当レッスンの手順や内容を気に入って頂けましたら、お申込みの手続きをさせていただきます。

レッスン環境の設定

レッスン開始の数日前に、レッスンで使用される生徒さんのパソコンの環境をセットアップします。

遠隔サポートツールを使って、生徒さんのパソコンに、必要なアプリをインストールし、アカウントを設定し、テキストを格納し、レッスンを受けられる環境を設定します。

所要時間は1時間程度です。

 

レッスンスタート

いよいよレッスンスタートです。
通常のレッスンでも保護者様も一緒に聞いて頂けます。
レッスンをしていく中で、保護者様とのミーティングを行い、お気軽にご相談をお受けしています。
レッスンのスケジュールは、保護者様とのお電話やメールで調整いたします。

お電話でのお問合せはこちら

080-2134-2580
受付時間
年中無休

お気軽にお問合せください。

お問合せフォーム

以下のフォームに必要事項をご記入の上、「送信する」ボタンをクリックしてください。

必須

(例:山田太郎)

(例:090-0000-0000)

必須

(例:sample@yamadahp.jp)

必須

テキストを入力してください

※次の画面が出るまで、4〜5秒かかりますので、
続けて2回押さないようにお願いいたします。