#aiclass

https://www.ai-class.com/

Stanford の 無料のオンラインの授業 AI (Artificial Intelligence: 人工知能) Class を無事修了しました。おめでとう、おれ。
周りにオンラインの無料コースに興味があるという人が少なからずいたので、経験・感想をシェアします。ご参考になれば。

どういう形式?
毎週、講義ビデオとHomeworkがサイトにアップロードされるので、ビデオを見て、Homeworkを締め切りまでに提出してね。って感じで進んでいきます。

スケジュール・期間
10週間。詳しくはここ https://www.ai-class.com/schedule
確か、ai-classが一番人気で10万人以上がサインアップしたはず。

ワークロードは?
毎週のビデオは1-2時間くらいで、課題(Homework/Assignment)とあわせて、3-4時間/週 くらいあれば十分だと思います。
理解を深めたい人は、もっと時間をかけて、指定テキストブックも読んだほうがいいと思います。
http://www.amazon.com/Artificial-Intelligence-Modern-Approach-3rd/dp/0136042597 (私はこれのKindle版買いました)
ただし、コースを修了するにあたってテキストブックは必須ではないです。なくても十分。

内容
トピック・キーワードだけ並べておくと、
Search - Tree Search, Graph Search, Breadth First Search, Uniform Cost Search, A* Search, Heuristic
Probability - Bayes Network, Conditional Independence, D-separation
Probabilistic Inference - Variable Elimination, Likelihood Weighting, Gibbs Sampling
Machine Learning - DARPA Grand Challenge, Supervised Learning, SPAM Detection, Naive Bayes, Laplace Smoothing, Linear Regression, Gradient Descent, Perceptron, k Nearest Neighbors
Unsupervised Learning - k Means, Expectation Maximization, Gaussian Learning, Dimensionality Reduction, Spectral Clustering
Representation Logic - Propositional Logic, First Order Logic
Planning - Problem Solving via Mathematical Notation, Progression Search, Regression Search, Plan Space Search
Planning Under Uncertainty - Markov Decision Processes, Value Iteration, Partially Observable Markov Decision Processes
Reinforcement Learning - Solving MDP, Agents of Reinforcement Learning, Q Learning
HMMs - Markov Chain, Hidden Markov Models, Localization, Particle Filters
Games - Two Player Game, Game Tree, Alpha-Beta pruning, Chance
Game Theory - Dominant Strategy, Paret Optimal, Nash Equilibrium, Mixed Strategy
Advanced Planning - Scheduling, Hierarchical Planning, Refinement Planning
Compute Vision - Image Formation, Linear Filter, Gradient Images, Canny Edge Detector, Gaussian Kernel, Modern Feature Detector, Solving For Depth, Dynamic Programming, Improving Stereo Vision, Structure from Motion Model
Robotics - Autonomous Vehicle, Monte Carlo Localization, Road Graph, Path Planning
Natural Language Processing - N Gram, Classification, Gzip, Segmentation, Segment Code, Spelling Correction, Sentence Structure, Parse, Probabilistic Context Free Grammer, Machine Translation

こうしてキーワードだけ見ると、とても範囲が広いように思えるけど、実際は「広くとても浅く」なので、見た目よりは大変ではないです。
あと、講師がGoogleの自動運転カーの中の人なので(といってもドライバーじゃないよ :) 、 ときどき、Self Driven Car がこれらのテクニックをどのように駆使して実現されているか解説してくれます。

難易度は?
Video, Homeworkは、難しいところはあえて避けて、重要だけど理解しやすい平易なものだけを出すように、とても気を使って編成されていた印象でした。もっと難しいものが出てもいいような気がするんですけど、あえて、生徒を困惑させないために、難易度を平易なほうに傾けていたような気がします。
一応、Stanfordのオフラインの普通のクラスと、まったく同じっていう名目にはなってたらしいですけど。

前提知識は?
オフィシャルの前提知識は、これです。
https://www.ai-class.com/resources のPrerequisiteを参照。
Linear Algebra、Probability Calculationくらいです。
実際のところは、確率計算ばかりHomeworkではやらされていたような気が。Matrixの計算とか一回もHomeworkではやらなかったかも。

評価方法
- Homework (8つのうちスコアのいい上位6つが対象): 30%
- Midterm Exam: 30%
- Final Exam: 40%
のWeighted Averageで最終的なスコアがつきます。最後まで完了すると、全受講生の中でのパーセンタイルランキングがのったデジタル署名つきの修了証明PDFが送られてきます。

レクチャーは英語?
字幕がつきますので、安心です。

プログラミングは必要?
ほとんどいらないです。これで優秀な成績を取ったのにかかわらず、実はプログラミングがまったくできないって人がいても別に驚かないです。紙とペンだけで全部の問題が解けると思います。
(逆に下手にプログラムで解くと、答えの角度を 6.283 (nearly equal to 2 * pi) と出力をそのまま入れてしまい、「厳密解は0なので、それ不正解ね。」といわれて落ち込みます。ええ、私です。)

プログラミングがないと盛り上がらないでしょーに。
ええ。まったくその通りだと思います。最後のNLPの授業で、オプショナルな暗号解読のプログラミング問題がでましたけど、おまけみたいなものです。
でもそういう人向けに、世の中にはいっぱい舞台が用意されているので、ぜひ、挑戦してみてください。
Google AI Challenge: http://aichallenge.org/

いい成績をとると、なにかいいことあるの?
途中、Top1000 に入っている生徒には、こんなリクルーティングなメールが送られてきたりしました。
http://pastebin.com/JiczaBxb

他にコースある?
当時は、Stanfordは、ai-class の他は、 ml-class (Machine Learning) と db-class (Databases) しかなかったような気がしますが、いまはいっぱい増えてますね。以下、引用。

1. Software Engineering for Software as a Service by Armando Fox and David Patterson #saascl
http://www.saas-class.org/
2. Probabilistic Graphical Models by Daphne Koller #pgmcl
http://www.pgm-class.org/
3. Computer Science 101 by Nick Parlante #cs101cl
http://www.cs101-class.org
4. Game Theory by Matthew O. Jackson and Yoav Shoham #gtcl
http://www.game-theory-class.org
5. Natural Language processing by Dan Jurafsky and Christopher Manning #nlpcl
http://www.nlp-class.org
6. Human-Computer interfaces by Scott Klemmer #hcicl
http://www.hci-class.org/
7. Machine Learning by Andrew Ng #mlcl
http://jan2012.ml-class.org/
8. Cryptography by Dan Boneh #cryptcl
http://www.crypto-class.org
9. Design and Analysis of Algorithms I by Tim Roughgarden #algocl
http://www.algo-class.org/
10. Computer Security by Dan Boneh, John Mitchell and Dawn Song #cseccl
http://www.security-class.org/
11. Technology Entrepreneurship by Chuck Eesley #encl
http://www.venture-class.org/
12. The Lean Launchpad by Steve Blank #lpcl
http://www.launchpad-class.org/
13. Anatomy by Sakti Srivastava #antcl
http://www.anatomy-class.org/
14. Making Green Buildings by Martin Fischer #mgbcl
http://www.greenbuilding-class.org/
15. Information Theory by Tsachy Weissman #infocl
http://www.infotheory-class.org/
16. Model Thinking by Scott E Page #mtcl
http://www.modelthinker-class.org/

algo-class とかアルゴリズムを勉強したいけど何から始めたらいいかわからないて人にはいいんじゃないのかなー?

で、おすすめする?
....ぼーとニコ動とかを見てるよりは、有意義な時間の使い方ができるんではないでしょうか? :) いっぱいコースありますし。今回紹介したのはai-classでしたけど、たぶんクラスによって形式が違ったりすると思います。実際、ml-classの方は、結構プログラミングが必要だったようです。興味が惹かれる分野が見つかるといいですね。

# 今日で仕事納め、では。よいお年を。
Photo
Shared publiclyView activity