PythonとKerasで学ぶ 機械学習入門 〜線形識別からディープラーニングまで〜

Python実習つき：機械学習の理解を深める！ 定員25名：お申込はお早めに！

講師

大阪大学　産業科学研究所
　知能アーキテクチャ研究分野 准教授 博士（情報科学） 福井 健一 先生

受講料

1名46,440円(税込（消費税8％）、資料・昼食付) 　

＊1社2名以上同時申込の場合 、1名につき35,640円 　　　　　

＊学校法人割引 ；学生、教員のご参加は受講料50％割引。

セミナーポイント

▽実習PCについて
ノートPCをご持参ください。事前に以下のインストールをお願い致します。

・要インストールソフト
Anaconda (Python 3.6バージョン)
https://www.continuum.io/downloads 

Anacondaをインストール後，以下の手順によりtensorflowとkerasをインストール

1.Anaconda Navigatorを起動
2.Anaconda Navigatorの画面からEnvironmentsを選択
3.“installed” を”All”に変更
4.Search Packagesの検索窓から”tensorflow”と入力
5.パッケージ一覧の”tensorflow”にチェックを入れる
6.右下の”Apply”をクリックしてインストールを実行

上記の手順の”tensorflow”を”keras”に変更してkerasもインストールできます。

＊64bitのPCにてお願い致します。ご準備がお難しい場合は、以下の『PC貸出』（有料）をご利用くださいませ。Mac、Windowsの別は問いません。
＊メモリは4GB以上を推奨します。
＊ご所属企業・団体のPCをご利用の場合、セキュリティ上、上記のインストール許可を得られないケースもあるかと存じます。
そういった場合は、お申込み時に、備考欄に『PC貸出』を明記ください。7,560円（税込）にて貸出いたします。
　※PCの貸出は原則として1週間前までにお申し出ください。
　※PC貸出代には、学校法人割引は適用されません。

＊当日会場にて、実習教材データの入ったUSBメモリを配布します。USB経由のデータ受け取りがお難しいPCの場合も、『PC貸出』の選択をお願い致します。
＊実習教材データはPC持込・貸出にかかわらず皆様に贈呈いたします。

■講師より受講者へ
昨今のAIブームの火付け役とも言えるディープラーニングは強力な学習手法ですが、万能ではありません。問題の特性をよく理解して適切な機械学習手法を選択し、適切に用いることが重要です。本セミナーでは、機械学習の基本的な教師あり学習手法の考え方や理論的背景の説明とともに、Pythonを用いた簡単な実習を交えて機械学習の理解を深めます。これから本格的な勉強を始める前に概要と雰囲気を掴むには最適かと思います。

■受講対象者は？
・機械学習やディープラーニングに取り組んで間もない方
・Python等のツールを使いたい方、使いこなしたい方（Python初心者も歓迎）
・大学初等数学、情報系学部程度のプログラミング知識を持っていることが望ましい

■受講して得られる知見、ノウハウは？
・機械学習の体系的理解（俯瞰的知識）
・いくつかの代表的な教師あり学習手法とその理論的背景、またその実運用（実習を通じて）
・ディープラーニングの基本的な考え方と実運用の指針（実習を通じて）

※定員25名に達し次第、申込を締め切らせて頂きます。お申込はお早めに。

セミナー内容

1 機械学習の概要
　1.1 ビッグデータ時代
　1.2 機械学習とは？
　1.3 最近の例
　1.4 機械学習の分類
　1.5 教師あり学習
　　1.5.1 識別
　　1.5.2 回帰
　1.6 教師なし学習
　　1.6.1 モデル推定
　　1.6.2 パターンマイニング
　1.7 半教師あり学習
　1.8 深層学習（ディープラーニング）
　1.9 強化学習
　1.10 機械学習の基本的な手順
　　1.10.1 前処理
　　1.10.2 評価基準の設定：クロスバリエーション
　　1.10.3 簡単な識別器：k-近傍法
　　1.10.4 評価指標：F値，ROC曲線
　1.11 k-近傍法を用いた実習：機械学習の基本的な手順の確認

2 識別（１）：ベイズ学習
　2.1 計的機械学習とは
　2.2 学習データの対数尤度
　2.3 1次元2値の場合
　2.4 ナイーブベイズ分類器
　2.5 ベイジアンネットワーク
　2.6 簡単な例
　2.7 ベイジアンネットワークの構成
　2.8 ベイジアンネットワークを用いた識別
　2.9 ナイーブベイズ分類器を用いた実習

3 識別（２）：線形識別モデル
　3.1 識別モデル
　3.2 ロジスティック識別概要
　3.3 ロジスティック識別の導出
　3.4 ロジスティック識別器の学習
　3.5 確率的最急勾配法
　3.6 正則化
　3.7 ロジスティック識別器を用いた実習

4 識別（３）：サポートベクトルマシン
　4.1 サポートベクトルマシンとは
　4.2 マージン最大化のための定式化
　4.3 マージン最大化とする識別面の計算
　4.4 ソフトマージン
　4.5 カーネル関数
　4.6 簡単なカーネル関数の例
　4.7 入れ子交差検証によるハイパーパラメータ調整
　4.8 サポートベクトルマシンを用いた実習

5 識別（４）：パーセプトロンから深層学習まで
　5.1 単純パーセプトロン
　5.2 誤り訂正学習
　5.3 最小二乗法による学習
　5.4 多層ニューラルネットワーク
　5.5 逆誤差伝搬法による学習
　5.6 深層学習とは
　　5.6.1 従来の識別学習との違い
　　5.6.2 深層学習の分類
　　5.6.3 最近の応用例
　5.7 多階層ニューラルネットワークの学習における問題
　5.8 自己符号化器（Auto Encoder）による事前学習
　5.9 Drop Out法による過学習の抑制
　5.10 自己符号化器を用いた深層学習による実習

＜質疑応答・名刺交換・個別相談＞