サービス

受託分析サービス

データサイエンスと機械学習を駆使した探索的分析や独自アルゴリズム開発等のためのプロフェッショナルサービスです。育成型、R&D型、アドバイザリー型など貴社ニーズに合わせ対応致します。詳しい内容はこちらのリンクまたは以下画像からご確認下さい。

knowledge transfer

もっと見る

 

CIオンラインプラス

CIオンラインプラスは法人向けの会員制オンラインサービスです。毎月のビデオカンファレンス予約権に加え、技術調査動画やライブ配信等を活用することで毎月の技術アドバイザリーや人材育成にお役立て頂けます。

もっと見る

コンテンツ紹介:レクチャー動画

CIオンラインプラスのレクチャー動画はビジネス部門や非データサイエンス系のエンジニアに向けた基礎的な内容を取り扱います。ビジネス実務者が機械学習を正しく理解しデータの専門家と討議するための知識や考え方をお伝えします。またソフトウェアエンジニアの方が機械学習アルゴリズムを理解し、そのインプットとなるデータの前処理やアウトプットなるモデルの評価法について理解できるよう構成されています。

レクチャー動画リスト
レクチャー動画PART1:AI概論1【約22分】
  • イントロダクション
  • AIとは何か?
  • 機械学習の背景理論や技術領域
  • 2020年代の技術トレンド予想
  • 滋賀大学DS学部のカリキュラム
  • データサイエンスと機械学習
  • 予測と機械学習
  • 反事実の予測
  • 演習:確認してみよう1.1
  • コラム:数理科学的視点からの考察
レクチャー動画PART1:AI概論2【約17分】
  • 人工知能と機械学習
  • 第一次AIブーム
  • 第二次AIブーム
  • 第三次AIブーム
  • 機械学習の歴史
  • 参考文献
レクチャー動画PART1:AI概論3【約33分】
  • 深層学習とは
  • 隠れ層と特徴量の関係
  • ニューラルネットワークの訓練イメージ
  • 深層学習と統計的機械学習の違い
  • 特徴量の3類型
  • 知識的特徴量の考察演習
  • 実装手順の違い
  • Kerasで利用可能な学習済みモデル
  • 転移学習(特徴抽出)
  • 転移学習(ファイン・チューニング)
  • データ拡張
レクチャー動画PART1:AI概論4【約37分】
  • 機械学習が学習すること
  • 機械学習の3類型
  • 教師あり学習とデータ構造
  • 教師あり学習のタスク例
  • 教師なし学習とデータ構造
  • 強化学習とデータ構造
  • 確認してみよう:人工知能とは何か?
  • PART1のまとめ
レクチャー動画PART2【計100分】
  • リサーチクエスチョンとは何か?【約15分】
  • リサーチクエスチョン:深堀り【約15分】
  • RQ構造化フレーム前編:PICO&PECO【約15分】
  • RQ構造化フレーム後編:PIRATE【約15分】
  • AIモデリングの落とし穴:前編【約18分】
  • AIモデリングの落とし穴:後編【約22分】
レクチャー動画PART3【計220分】
  • モデリングプロセス俯瞰【約14分】
  • OLS&Ridge概論:過学習と正則化を理解する【約15分】
  • OLS&Ridge評価:holdout法とその懸念【約20分】
  • OLS&Ridge評価:交差検証法とシャッフル注意【約10分】
  • ロジスティック回帰:概説(損失関数が表す学習の方向性)【約10分】
  • ロジスティック回帰:実行(ハイパーパラメータ紹介を添えて)【約7分】
  • Decision Tree:概説(不純指標や決定境界など)【約11分】
  • Decision Tree:実行(決定木の可視化まで)【約10分】
  • アンサンブル学習:ランダムフォレストとは【約10分】
  • アンサンブル学習:勾配ブースティング(前編)【約8分】
  • アンサンブル学習:勾配ブースティング(後編)【約10分】
  • アンサンブル学習:実行例と理解チェック【約8分】
  • ツリー系の解釈:変数重要度【約9分】
  • ツリー系の解釈:Partial Dependence Plot【約6分】
  • ツリー系の解釈:実行例(コード確認)【約10分】
  • モデルの評価指標:回帰モデルの場合【約7分】
  • モデルの評価指標:分類モデルの場合【約15分】
  • 教師なし学習:醜いアヒルの子定理【約7分】
  • 教師なし学習:KMeans法(前編)【約8分】
  • 教師なし学習:KMeans法(後編)【約8分】
  • 教師なし学習:Gaussian Mixture【約12分】
  • PART3のまとめ【約9分】
レクチャー動画PART4【計170分】
  • イントロダクション【約3分】
  • 特徴量エンジニアリング:基本戦略【約11分】
  • 特徴量エンジニアリング:one-hotエンコーディング【約13分】
  • 特徴量エンジニアリング:スケールの統一【約9分】
  • 特徴量エンジニアリング:非線形変換【約11分】
  • 特徴量エンジニアリング:ビニング【約16分】
  • 特徴量エンジニアリング:主成分分析1【約10分】
  • 特徴量エンジニアリング:主成分分析2【約9分】
  • 特徴量エンジニアリング:主成分分析3【約8分】
  • 特徴量エンジニアリング:NMF(イントロ)【約5分】
  • 特徴量エンジニアリング:NMF(実行方法)【約6分】
  • 特徴量エンジニアリング:NMF(結果解釈)【約7分】
  • 特徴量エンジニアリング:特徴量選択とは【約5分】
  • 特徴量エンジニアリング:特徴量選択の前に【約8分】
  • 特徴量エンジニアリング:特徴量選択の実行【約11分】
  • 特徴量エンジニアリング:特徴量選択の注意点【約5分】
  • 特徴量エンジニアリング:課題の具体的把握【約11分】
  • 特徴量エンジニアリング:課題への対処法【約13分】
  • PART4のまとめ【約5分】

コンテンツ紹介:注目技術動画

注目技術動画のレベルは様々ですが主にデータの専門家向けです。本動画の多くはYouTubeチャンネル「データ科学のメソドロジー」でも公開しておりますが、会員ページでは参照論文、関連資料の閲覧、画像素材、サンプルデータを用いた学習が可能です。因果推論超入門1:機械学習ベースの因果推論の実践に向けてPoC死させない予測モデルの評価法:意思決定タイプ毎のPoC死全経路解説はデータの専門家だけではなく、ビジネス実務者の方にも是非ご確認いただきたい内容となっておりますので、よろしければご確認下さい。

Tech to Watch 動画リスト
  • 因果推論(Mediation Analysis):非言語的メカニズムとZoom疲れ【約51分】
  • How to use catboost’s object importance【約16分】
  • DATA PROFESSIONAL INTERVIEW:対談動画#3【約13分】
  • DATA PROFESSIONAL INTERVIEW:対談動画#2【約10分】
  • DATA PROFESSIONAL INTERVIEW:対談動画#1【約16分】
  • 因果推論入門[2]:因果推論の意義の振り返りとサンプルコードチェック【約31分】
  • 因果推論入門[1-3]:Double Machine Learning~Cross-fitting【約18分】
  • 因果推論入門[1-2]:Double Machine Learning~Regularization Bias【約20分】
  • 因果推論入門[1-1]:What’s Double/Debiased Machine Learning?【約14分】
  • What’s CausalNex?[1-2]:NOTEARS algorithm for causal discovery【約15分】
  • What’s CausalNex?[1-1]:an open-source library for Bayesian Networks【約23分】
  • 因果推論超入門5:EconMLの基本メソッド確認(PyCaretの使い所のを添えて)【約39分】
  • 因果推論超入門4:因果推論の必須ツールDAGを理解し使いこなす【約29分】
  • 因果推論超入門3(後編):因果推論ライブラリDoWhy&EconML【約19分】
  • 因果推論超入門3(前編):因果推論ライブラリDoWhy&EconML【約12分】
  • 因果推論超入門2:準実験レベルの解析(RCTが使えない時の処方箋)【約26分】
  • 因果推論超入門1:機械学習ベースの因果推論の実践に向けて【約10分】
  • PoC死させない予測モデルの評価法:意思決定タイプ毎のPoC死全経路解説【約56分】
  • ライブラリ紹介:WhyNoteとStreamlitを使ってEconMLのHTEを検証する【約14分】
  • What’s DiCE?:Diverse Counterfactual Explanations for ML【約20分】
  • 生存時間解析超入門(前編)【約25分】
  • DAアルゴリズム:マッチング課題への安定解決定アルゴリズム【約16分】

もっと見る

サービスの流れ

お問い合わせからサービス提供までの基本的な流れを掲載しております。内容はこちらのリンクまたは以下画像からご確認いただけます。お気軽にお問い合わせ下さい。

Service Flow

もっと見る


Message

CEO/Founder 山田 典一 Norikazu Yamada

インテリジェンスの生産に貢献したい。

データは21世紀の新しい石油とも例えられ、多くの組織でその蓄積と活用が進められています。その中で私たちが大切にしている領域があります。それはインテリジェンスの生産です。インテリジェンスとは組織の利益に資するまでに洗練されたインフォメーションのことで、単にデータが加工されたインフォメーションとは区別される概念ですが、多くの方々はデータを単にインフォメーションに変換する行為までも分析と呼ぶ傾向があるようです。

しかし、私の知る限りそのような組織で生産性の高い組織はありません。分析はデータをインテリジェンスにまで洗練させるものであり、そこへの理解が低い組織では競争優位性を獲得するまでに必要な人材や設備への投資がなされない為だろうと考えています。CI.はThe Analytics Companyとして、クライアントに対しインテリジェンス生産能力の開発とインテリジェンス人材の育成に貢献したいと考えています。

データサイエンス部門の4つの役割と3つのケイパビリティ

以下はCI.が考えるDS部門の姿です。以下記事で紹介させて頂いている機能とそれを実現するケイパビリティの調達と開発なくして、組織におけるデータの利活用は進みません。皆さまの組織強化の一助となれば幸いです。

データサイエンス人材育成に対する考え

データサイエンティストが担う分析業務は単なるデータ加工ではありません。様々な思考法を駆使しビジネス意思決定をバイアスなく科学的にサポートしなくてはなりません。以下記事ではデータサイエンティストがよく活用する思考法の一つ仮説演繹法について紹介しています。このような思考法への興味と理解、日々業務における実践力強化には、地層を積み重ねるような思考の反復が無ければ難しいと考えており、故にデータサイエンス人材の育成も長期戦であるというのが弊社の考えです。

データサイエンス実務に関する考え

一部企業を除きデータサイエンスや機械学習の活用はこれからが本番です。最新の知識や技術を身につけた人材と変革を主導するマネジメント層の高いレベルでの協働が不可欠ですが、そこには常に組織適応課題が生じます。以下は芝浦工業大学で実施した特別講義を社会人向けにアップデートしたライブ配信動画です。そもそも統計学とは、データサイエンスとは、機械学習とは、そして組織におけるデータ活用の意義とは何かについて述べております。



c4ea9352c2fa1d9da46baa2afb66ee94

受託分析サービス

データサイエンスと機械学習を駆使した探索的分析や独自アルゴリズム開発等のためのプロフェッショナルサービスです。育成型、R&D型、アドバイザリー型など貴社ニーズに合わせ対応致します。詳しい内容はこちらのリンクまたは以下画像からご確認下さい。

knowledge transfer

もっと見る

CIオンラインプラス

CIオンラインプラスは法人向けの会員制オンラインサービスです。毎月のビデオカンファレンス予約権に加え、技術調査動画やライブ配信等を活用することで毎月の技術アドバイザリーや人材育成にお役立て頂けます。

もっと見る

サービスの流れ

お問い合わせからサービス提供までの基本的な流れを掲載しております。内容はこちらのリンクまたは以下画像からご確認いただけます。お気軽にお問い合わせ下さい。

Service Flow

もっと見る

メルマガ登録のご案内

CI.ではデータ&ディシジョン科学に関する情報やキャンペーン情報を発信を行っています。
よろしければ、メルマガ登録をお願い致します。

PAGE TOP