【中止】はじめてのPython【演習付】と教師あり学習・教師なし学習■実践演習を通して理解を深める機械学習■

～Pythonと機械学習ライブラリscikit-learn～

★ 業界は特に関係ありません。Liveは参加せずアーカイブのみの受講も可能です。★ Pythonを学びたい人から、業務でデータ処理・解析をしたい人まで、幅広い方を対象です。

このセミナーはアーカイブ付きです。セミナー終了後も繰り返しの視聴学習が可能です。Live受講に加えて、アーカイブでも１週間視聴できます。【アーカイブの視聴期間】2024年2月1日(木)～2月7日(水)まで

セミナー講師

愛知県立大学 情報科学部・教授同 次世代ロボット研究所・副所長(兼任)　小林 邦和　氏

【経歴】山口大学工学部助手、同助教、愛知県立大学情報科学部准教授を経て、2017年4月より現職、2016年4月より愛知県立大学次世代ロボット研究所副所長を兼務．この間、ヒューストン大学工学部医用生体工学科客員研究員を兼任．博士(工学)．

【専門】機械学習(人工知能)、知能ロボティクス、ソフトコンピューティング【所属学会】米国電気電子学会(IEEE)、アメリカ人工知能学会(AAAI)、電子情報通信学会、電気学会、人工知能学会、計測自動制御学会、言語処理学会、ロボカップ日本委員会の各会員．

【学会活動】電気学会技術シーズ創出に向けた機械学習協同研究委員会委員長(2012～2014年)、電気学会学習アルゴリズムの高度化を指向した機械学習技術協同研究委員会委員長(2014～2016年)、ICAROB国際プログラム委員会委員(2014～2019年)、電気学会システム技術委員会1号委員(2017年～2023年)、電気学会論文誌特集号編修小委員会委員長(2022年)などを歴任．現在、Journal of Robotics, Networking and Artificial Life編集委員(2014年～)、電気学会論文誌特集号編修小委員会委員(2014年～)、電気学会システム技術委員会1号委員(2017年～)、ICAROB国際組織委員会委員(2019年～)、あいちロボカップAP2020開催委員会競技専門部会部会員(2019年～)、ロボカップ日本委員会理事(2019年～)などを務める．

【受賞】ANNIE最優秀論文賞(1994年)、ロボカップジャパンオープン 小型ロボット車輪型優勝(2013年)、ロボカップ研究賞(2014、2015、2022年)、ロボカップ・ジャパンオープンサッカー標準プラットフォームリーグ優勝(2014、2015、2018、2019年)、同準優勝(2016、2017年)、電気学会電子・情報・システム部門大会企画賞(2016年)、ロボカップ世界大会サッカー標準プラットフォームリーグチャレンジシールド部門優勝(2017年)、同第3位(2018年)、人工知能学会賞(2018年)、ICBDR最優秀発表賞(2019年)など．

【WebSite】https://researchmap.jp/read0185135/

セミナー受講料

※お申込みと同時にS&T会員登録をさせていただきます(E-mail案内登録とは異なります)。

60,500円( E-mail案内登録価格57,420円 )E-Mail案内登録なら、2名同時申込みで1名分無料2名で 60,500円 (2名ともE-mail案内登録必須／１名あたり定価半額30,250円)

【1名分無料適用条件】※2名様ともE-mail案内登録が必須です。※同一法人内(グループ会社でも可)による2名同時申込みのみ適用いたします。※3名様以上のお申込みの場合、１名あたり定価半額で追加受講できます。※請求書（PDFデータ）は、代表者にE-mailで送信いたします。※請求書および領収証は1名様ごとに発行可能です。　(申込みフォームの通信欄に「請求書１名ごと発行」と記入ください。)※他の割引は併用できません。

※テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】１名申込みの場合：46,200円 ( E-Mail案内登録価格 44,000円 )※WEBセミナーには「アーカイブとオンデマンド」が含まれます。※1名様でお申込み場合、キャンペーン価格が自動適用になります。※他の割引は併用できません。

受講について

Zoom配信の受講方法・接続確認

• 本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信となります。PCやスマホ・タブレッドなどからご視聴・学習することができます。
• 申込み受理の連絡メールに、視聴用URLに関する連絡事項を記載しております。
• 事前に「Zoom」のインストール(または、ブラウザから参加)可能か、接続可能か等をご確認ください。
• セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
• セミナー中、講師へのご質問が可能です。
• 以下のテストミーティングより接続とマイク/スピーカーの出力・入力を事前にご確認いただいたうえで、お申込みください。≫ テストミーティングはこちら

配布資料

• PDFテキスト(印刷可・編集不可)

セミナー趣旨

　機械学習の入門講座(セミナー)は、巷にたくさんありますが、理論と実践が揃って、はじめて現場で使える技術とになります。　本セミナーでは、機械学習の理論的側面のみではなく、コンピュータを用いた実践演習を通して、理解を深めていきます。実践演習では、機械学習では業界標準となっているコンピュータ言語Pythonと機械学習ライブラリscikit-learnを用います。　本セミナーは、純粋に最近流行りのPythonを学びたい人から、業務でデータ処理・解析をしたい人まで、幅広い方を対象としています。特に、日々大量のデータを扱っていて、そのデータの山から知識を抽出したいと思っている方が最適な受講対象者となります。　Pythonでプログラミングした経験がない人も歓迎しますが、実践演習を通して学んでいきますので、他の言語によるプログラミングや、コンピュータ(アプリケーションソフトウェア)によるデータ処理の経験がある方が望ましいです。 ＜受講にあたっての注意事項＞本セミナーでは、演習を行いますので、以下の条件を満たしたパソコン(デスクトップ型、ノート型いずれも可)をセミナー当日までに準備してください。プラットフォームは、Windows、Linux、macOSを問いません。演習環境を統一したいので、事前にMinicondaを用いて、Python 3.x(バージョン3系)をインストールしておいてください。Minicondaを利用すると、演習で必要な標準・外部ライブラリがほとんど自動インストールされます。ただし、統合開発環境Spyder、機械学習ライブラリscikit-learn、および可視化ライブラリseabornは、追加インストールする必要があります．これらのインストール方法は、Windowsの場合、Anaconda Prompt、macOSやLinuxの場合、ターミナルを開き、コマンドラインより下記のコマンドを入力して個別にインストールしてください。conda install spyderconda install scikit-learnconda install seaborn演習で使用するサンプルコードは、セミナー開催前に配布いたします。本セミナーでは、Pythonの統合開発環境(IDE)として、Spyderを用いて説明を行いますが、使い慣れている開発環境(例えばJupyter Notebook、Jupyter Labなど)がある方はそちらを使っていただいて構いません。

習得できる知識

セミナープログラム

１．はじめに　1.1 講師自己紹介　1.2 セミナーの狙い２．演習環境の確認　2.1 Pythonの実行環境の確認　2.2 各種ライブラリ(NumPy、SciPy、matplotlib、scikit-learn)の実行環境の確認　2.3 統合開発環境Spyderの確認　2.4 Pythonの実行方法(インタプリタ、コマンド渡し、統合開発環境)の確認３．Python入門講座　3.1 Pythonの特徴　3.2 Pythonの基本文法　3.3 プログラミング方法(統合開発環境Spyderの使い方含む)　3.4 各種ライブラリ(NumPy、SciPy、matplotlib、scikit-learn)の使い方　3.5 機械学習アルゴリズムの実装方法　3.6 サンプルコードを用いた実践演習　3.7 参考書・情報源の紹介４．機械学習概論　4.1 機械学習の概要　4.2 三大学習法(教師あり学習、教師なし学習、強化学習)　4.3 機械学習データセットの紹介　4.4 機械学習におけるデータと著作権　4.5 専門書・参考書の紹介５．教師あり学習　5.1 教師あり学習の概要　5.2 クラス分類と回帰　5.3 過剰適合(過学習)と適合不足(学習不足)　5.4 モデル複雑度と精度　5.5 多クラス分類　5.6 各種教師あり学習アルゴリズムの基礎理論と実践演習　　5.6.1 k-最近傍法(クラス分類、回帰)　　5.6.2 線形モデル(線形回帰、Ridge回帰、Lasso回帰、ロジスティック回帰)　　5.6.3 サポートベクトルマシン(線形モデル、ソフトマージン、非線形モデル)　　5.6.4 決定木　　5.6.5 アンサンブル学習(ランダムフォレスト、アダブート)　5-7 クラス分類の性能指標６．教師なし学習　6.1 教師なし学習の概要　6.2 次元削減と特徴量抽出　6.3 各種教師なし学習アルゴリズムの基礎理論と実践演習　　6.3.1 主成分分析(次元削減)　　6.3.2 k-平均法(クラスタリング)　　6.3.3 凝集クラスタリング　　6.3.4 DBSCAN(クラスタリング)　6.4 クラスタリングの性能指標７．実装上の注意事項 　7.1 データの前処理(スケール変換)　7.2 テスト誤差の最小化(k分割交差検証)　7.3 ハイパパラメータの最適化(グリッドサーチ、ランダムサーチ)　7.4 実データの読み込み方法８．まとめ　　□ 質疑応答 □