はてなブックマーク

未経験からAIエンジニアに就職したい人に向けて、自分の体験談を交えて解説します。 転職エージェントから言われた言葉新卒で入社した会社で、ずっと企画の仕事をしてきました。 企画職とは、顧客やユーザーにヒアリングして「困ってること」を聞き出し、自社で解決できそうな課題を選んで具体化する仕事です。 「問題発見」と「問題解決」を一緒に行うところがポイントで、いろいろ仮説を立ててひたすらリサーチを繰り返していました。辛い局面もありましたが、好奇心が強い方だったので、新しいことを調べたり新しい人と会うことは楽しかったです。

具体的は「自由な働き方が好き」「マネジメントではなく専門職として腕を磨きたい」「自分の手でどんどん仕事を拡大していきたい」などです。 一方フリーランスはいわば傭兵です。会社と対等に期限と金額を決めて契約するので、組織内の人間関係から解放されます。特に大企業のエンジニアにとって、大きなストレス解消になるでしょう。 会社の序列意識から解放され、エンジニアとして「会社の看板に頼らず生きていけるようになりたい」と感じている人が、フリーランスに向いています。

経済産業省が、「2020年に約4万8000人のAI人材が不足する」と発表してから、政府はAI人材の育成に乗り出し、大学での人材教育の強化を図るほか、企業内での人材育成も活発化しました。リカレント教育（社会人の学び直し）が光が当たり、社会人のAIの学習機会が大幅に増えました。これでもかと言う具合に、良質なテキスト・教材や研修も増えました。 これからのAIエンジニアは専門性が求められる一方、現役の第一線にいる機械学習エンジニア・データサイエンティストから見ると、少し面白くない流れになっているのではないでしょうか。 プラス面では、DXブーム全盛で注目度が高まった結果、AIエンジニアの市場価値が高まり、たくさんの案件や求人が来ていることです。AIエンジニアはベンチャーから題記企業までどこもモテモテです。ヘッドハンタ―からたくさん声がかかる人も多いでしょう。ちょっとした異世界チート主人公です。 日本

目次 １．AIエンジニアの仕事内容 ２．AIエンジニアに向いている人とは？ ３．AIエンジニアになるメリットとは ４．AIエンジニアの将来性とは ５．AIエンジニアに必要なスキル ６．AIエンジニアになるための勉強法 ７．AIエンジニアになるため大学は必要か ８．AIエンジニアを目指しプログラミングスクールに通うべきか ９．AIエンジニアになる方法はAIエンジニアの仕事をすること １０．AIエンジニアに未経験から転職できるのか？ １１．AIエンジニアの求人と選び方 １２．AIエンジニアの採用は2020年度から本格化 １３．AIエンジニアにおすすめの転職エージェント １４．AIエンジニアになる３ステップ さいごに 失敗案件が続き、企業の投資意欲が落ちることも懸念されましたが、日本株式会社の投資意欲は依然として高水準です。 2024年は、多くの業界で本格的に生成AIの導入が進んでいくでしょう。

ここ数年間、AI開発の良質な学習コンテンツが増えました。 インターネットに、良質な解説記事が増えました。特にディープラーニングの解説記事周辺は、これでもかというくらい分かりやすく解説されています。 書籍では、松尾先生の「人工知能は人間を超えるか」を皮切りに、「python 機械学習プログラミング」と「ゼロから作るDeep Learning」が出版され、CONNPASS周辺で多くの勉強会が開催されました。 また、事前知識ゼロでも機械学習を学べる「pythonではじめる機械学習」が出版され、機械学習のハードルが大きく下がりました。これらの良質な書籍は、機械学習ブームの影の立役者でしょう。 そしてまた、機械学習を学ぶ上で最高の教材が発表されました。Udemyの「Pythonで機械学習：scikit-learnで学ぶ識別入門」です。 AIエンジニアが教えるゼロから機械学習の勉強法 機械学習の集合研

機械学習界隈で、最強アルゴリズムの一角を占めていたランダムフォレスト。ディープラーニングが登場した後急速に存在感をなくすものの、その利便性と強力さから多くのデータサイエンティストが現役利用中。 scikit-learnでのランダムフォレスト、分類モデルと重要度評価の実装方法まとめました。 決定木の問題点決定木は、上から順に条件分岐を作って分類モデルを作る手法です。ルールが可視化できる、正規化や標準化などのデータ加工が不要など、素晴らしいアルゴリズムです。 しかし、決定木は過学習を起こしやすいという問題点がありました。 前の記事：Pythonの決定木分析できのこ派とたけのこ派を予測するランダムフォレストとは ランダムフォレストは、決定木をたくさん作ってその結果を多数決（平均化）することで、決定木の過学習を平準化するアルゴリズムです（アンサンブル学習と言います）。

第4次産業革命とも言われる人工知能ブームは、文字通り急激な変化を起こしました。企業は必死で戦略を見直しているものの、そもそも見直すだけの知識を持つ人材が社内におらず袋小路です。見直せる人材がいないので、必要な人材像を定義出来ず、とりあえず「AI人材」とビジネス界隈でよく利用されています。 とにかく今、圧倒的な人材不足です。ではこの「AI人材」にどしたらなれるのでしょうか。 ※本記事には、マイナビのプロモーションを含みます。 関連記事：人工知能(AI)ブームに乗りたい人に切符を提供してみる 一方、AI人材になるためには、機械学習の専門知識やプログラミングなどとても難しいように思えます。特に、プログラミングの経験がない方は、非常にハードルが高いと感じているのではないでしょうか。 私も元々プログラミングが出来ませんでした。数年前スマホアプリ開発が流行った際、自分でアプリを作ってる人がとても羨まし

ロジスティック回帰分析は、２値の分類モデルを作るアルゴリズムです。そして、分類結果の発生確率を予測できます。例えばある人が「ガンである確率 90%」 のような予測ができます。 また、モデルの中身を数式として理解できるので、ディープラーニングのようにブラックボックスになりません。つまり、どの説明変数がモデルの判定に重要かが人間でも分かります。 一方、ロジスティック回帰は、線形分離可能なクラスに対してのみ高い性能が発揮されます。非線形の問題はうまく学習できないという重回帰分析と同じ問題を抱えています。 加えて、ロジスティック回帰の説明変数は、数量データのみ利用可能です。カテゴリデータは基本的に推奨されません。 過去記事：ランダムフォレストで特徴量の重要度を評価する 重回帰分析とロジスティック回帰分析重回帰分析は数値を予測する手法です。ロジスティック回帰分析は、二値分類を予測する手法です。分析対

機械学習のデータ処理周りの実務で、よく使う関数をまとめました。 目次 はじめに Pandasとは scikit-learnとは NumPyは使わないの？ 機械学習の言語はpythonでいいの？ 機械学習（AI開発）の流れ １．データの準備 データフレームを定義する(DataFrame) csvファイルを読み込む(read_csv) ２．データの前処理 ＜欠損値編＞ 欠損値をカウントする(isunull) 欠損値を削除する(dropna) 欠損値を補完する(Imputer) ＜文字列編＞ 文字列データを数値に変換する(map) ＜外れ値編＞ グラフを作成する(plot) 列の平均値/中央値を出力する(mean/median) 列の最大値/最小値を確認する(max/min) ３．データの基礎分析 データから特定の列だけを選択する(iloc/ix) データフレームに列を追加する(’カラム名’)

Python（パイソン）で人工知能を開発したい人向けに、これだけは知ってほしいという知識をまとめました。本記事だけで、PythonでAIを実装出来るはず。 まあ簡単に言うと、データをきれいにして、サーキットラーン(scikit-learn)というライブラリにデータ食わせれば、予測モデル(=人工知能)が作れるというお話です。 AI開発のプログラミング言語はPython一択

新規事業のつくり方 新しいことを学ぶことが好きです。今は機械学習や自然言語処理に興味があります。 本ブログには、マイナビ、DODA、 TechClipsのプロモーションを含みます。 先週Ａくんとご飯を食べていた時に、「人工知能に興味があるので教えてほしい」と言われました。戦友ともいうべきＡくんに頼まれたなら、全力を挙げて人工知能について説明しなければならない、そう感じました。 人工知能とは機械学習で作られるモデルのこと人工知能については、以下の記事が大変分かりやすいです。 「人工知能」ブームに乗り遅れた！という方々に捧げる人工知能（機械学習）まとめ記事 記事を１行で要約すると、以下になります。 人工知能≒機械学習＝過去データに基づいて未来のデータの値を予測するモデルを作る技術 ここで多くの人は、「ん、モデルって何？」 となると思うんです。 このモデルという言葉を理解することが、人工知能を理