機械学習の基礎、種類、データ収集法、深層学習など一日で解説!
座学研修だけでなく演習を交えることで理解が深まる入門セミナー


機械学習を業務に取り入れたい方や、AIの情報収集が目的の方にお勧めのコース!
深層学習の座学セミナーや、ディープラーニング実習セミナーとの
お得なセット割引もございます


●本講座は機械学習継続セミナー(全3回)の第2回として開催いたします。
 < 全3回ラインナップ >
・第1回:2/6  『深層学習(ディープラーニング)の基本的な原理を理解しよう』
・第2回:2/27(このページです)
 『【PC実習付き】PythonとScikit-learnで学ぶ機械学習の基礎(定員20名)』
・第3回:2/28 『【PC実習付き】TensorFlowで学ぶディープラーニングと応用(定員20名)』

・会場は毎回異なりますので、必ずご確認下さいませ。

セミナー講師

明治大学 総合数理学部 ネットワークデザイン学科 准教授 櫻井 義尚 先生
■ご略歴:
 2000年 電気通信大学電気通信学部電子情報学科卒業
 2002年 同大学大学院電気通信学研究科電子情報学専攻博士前期課程修了
 2005年 同博士後期課程単位取得済み退学。同年博士(工学)
 2005年4月〜 東京電機大学情報環境学部情報環境学科助手
 2010年4月〜 東京電機大学情報環境学部情報環境学科助教
 2013年4月〜 明治大学総合数理学部ネットワークデザイン学科 准教授
■専門および得意な分野・研究:
 機械学習、データマイニング、進化計算、レコメンダーシステム、マーケティング調査分析、テキストマイニング、意思決定支援システム
■本テーマ関連学協会での活動:
 情報処理学会、人工知能学会、日本オペレーションズ・リサーチ学会、日本知能情報ファジィ学会、電気学会、進化計算学会、日本マーケティング学会、IEEE

セミナー受講料

参加形態 区分 価格(税込) 1社2名以上同時申込
1講座のみ参加 1回のみ、2回のみ、3回のみ 47,300円 36,300円
2講座参加 1・2回、1・3回、2・3回 72,600円 61,600円
全講座(3講座)参加 1・2・3回 92,400円 81,400円
※PC貸出希望   7,700円/回  

 

※申込時に参加形態(第○・○回参加)を備考覧に記載下さい。
※実習講座で弊社PCの使用を希望される際にも、備考覧に記載をお願い致します。
※各回、別の方が受講いただくことも可能です。
※1社2名以上同時申込は、同時申込、同形態(講座数、参加日)でのお申込にのみ有効です
*学校法人割引;学生、教員のご参加は受講料50%割引。
PC貸出料は50%割引対象外となります

*全3回申込の方へ
・不測の事態により、全回開催出来ない場合、以下規定に基づき、返金致します。

セミナー趣旨

 過去の情報に基づいて顧客の行動を予測したり、これまで人手を要していた分類作業を自動化したり、機械学習はビジネス上の様々な場面で活用できる強力なツールになります。
 本セミナーでは、「これから自分で機械学習(ライブラリを使った)プログラムを作りたい」機械学習の初学者を対象に、機械学習の基礎を解説しつつ、機械学習ライブラリを使ったPythonのサンプルプログラムを実際に実行し、ソースコードの解説を通して、機械学習プログラムがどのように作られているかを学びます。

受講対象・レベル

・Pythonを動かしてみたい方
・機械学習を活用したい方
・Pythonを使った機械学習システムの構築を目指している方

必要な予備知識

【プログラミングについて】
 ・簡単なパソコンの使い方(ファイル操作など)
 ・Pythonでなくともいいので、何かしらのプログラミング経験があることが望ましい。
【機械学習について】
 この分野に興味のある方なら、特に必要ありませんが、大学初学年程度の数学の知識(ベクトル・行列・統計)があった方がより深く理解できます。

習得できる知識

 ・機械学習の基礎知識
 ・機械学習システム構築についての基礎知識
 ・機械学習ライブラリを用いたPythonプログラミングの基礎
 ・機械学習の代表的な手法の理解
 ・ディープラーニングの基礎知識

過去、本セミナーを受講された方の声(一例):
 ・独学では限界があったので要点をわかりやすく教えていただきありがとうございました。とてもためになりました。
 ・全体の概要は理解できたので復習して理解を深めます。
 ・内容、進め方、スピードどれも非常に良かったと思います
 ・説明が丁寧でわかりやすくしていただいたのでよく理解できました。
 ・関数の特徴、Tipsが多くわかりやすかった。質疑応答がよかった。

セミナープログラム

1.機械学習の基礎
 1)経験から学ぶ機械学習とは
 2)機械学習にできること
 3)機械学習の種類
   a)教師あり学習
   b)教師なし学習
   c)強化学習

2.機械学習システムを作るには
 1)分析ツール
 2)プログラミング不要の機械学習システム
 3)機械学習APIとクラウドML
 4)Pythonと機械学習ライブラリ
 5)機械学習を活用する際の注意点

3.Pythonの基礎
 1)各OSごとの最適なPythonの環境構築
 2)ライブラリの使用法を紹介
  ・NumPy
  ・SciPy
  ・Matplotlib
  ・Pandas
  ・scikit-learn
  ・Jupyter Notebook
 3)Pythonの特徴
 4)Pythonによるプログラミング基礎

4.答えを使って学習する分類
 1)分類とは
 2)分類アルゴリズム
  ・パーセプトロン
  ・サポートベクターマシーン
 3)データの読込(CSVファイル)とデータの前処理
  ・Pandas
  ・Jupyter Notebook
 4)機械学習ライブラリを用いたプログラム
  ・scikit-learn
 5)その他の分類アルゴリズム
 6)応用事例紹介

5.学習結果を評価する
 1)モデルの選択
 2)パラメータと学習
 3)過学習と汎化性能
 4)汎化性能の評価(クロスバリデーション)
 5)ハイパーパラメータ