機械学習・ディープラーニングを活用したデータ分析の進め方

眠っているデータを活かすため
どのように機械学習・ディープラーニングを適用すべきか?  
データ分析・活用に向けた、処理や機械学習の基本から習得!


データの前処理法から、データ分析の各種具体例とその実践上の留意点まで!

セミナー講師

(株)ネクステージ AIアナリスト  太田 桂吾 先生

セミナー受講料

1名47,300円(税込(消費税10%)、資料・昼食付)
 *1社2名以上同時申込の場合、1名につき36,300円
 *学校法人割引;学生、教員のご参加は受講料50%割引。

セミナー趣旨

 データ分析を企業の課題解決に生かすことは、必須の時代となっています。
 特に昨今では人工知能・機械学習の進展に伴い、自社で活用されていないデータを業務に役立たせることができるのではないかと考えている方が増加してきています。
 しかし、いざ取り組もうとすると、どこから手を付けてよいかわからない方が多いのが現状です。
 また、機械学習に関する基本的な認識が不足しているため、誤った方法によりデータ分析が行われ、結果正しい結果が導き出されないケースも散見されます。
 そこで本講座では、まずデータ処理の基本を解説し、どのような手順でデータ分析に取り組んで行けばよいのか、その考え方からデータの前処理方法まで解説します。
 その上で、機械学習の概念をなるべく平易に理解できるよう、基本を極力数式なしで説明し、データ分析を行う際に必要な機械学習・ディープラーニング等の基本的な考え方の習得を目指します。また、実際のデータの操作で、機械学習・ディープラーニング等の学習の中身がどうなっているか、データをどう扱うかを確認していきます。
 画像(分類)、音(異常検知)、自然言語(トピック分類)等、それぞれの例で解説しますので、それぞれがどのように取り扱われるかが具体的に学習できます。
 実際にデータを取り扱われる方、企業内でAIに関する提案を行う方に役立つセミナーとなっております。

受講対象・レベル

企業の中で、自分がかかわっている分野の課題に対し、データ分析(機械学習・AI)を活用したい方

習得できる知識

データ分析(機械学習・AI)を課題解決に活かすことができます

セミナープログラム

1.データ処理の基本手順と考え方
 〜データ分析に機械学習を用いる前に検討すべきこと〜

 1)データの定義
 2)なにを確認したいのか

  a) 目的をはっきりさせる
  b) 説明変数と目的変数
  c) 統計とデータ分析の関係
 3)データ分析の手法を選択
  a) 機械学習によるデータ分析と統計的手法によるデータ分析との違い
  b) どのようなデータに対して機械学習を適用すべきか?
 4)扱うデータの特性を把握する
  a) 時間軸/場所の考慮
  b) データを発生させるもの
 5)データの前処理
  a) データの抜け、異常値への対応
  b) データの量を調整する(増やす/減らす)
  c) データの次元を削減する
 6)精度を上げるためにはどのようなデータを用意するか?
  a) 必要となるデータの量
  b) データの正規化
  c) データクレジング

2. 機械学習/ディープラーニングでデータ分析を行う前に
 1)対象物を数値情報へ変換する

  a) 画像を数値情報へ変換する
  b) 言語を数値情報へ変換する
  c) 音を数値情報へ変換する
  d) 状態を数値情報へ変換する
 2)データの特徴量の生成・分類・抽出
  a) 画像データの特徴量
  b) 言語データの特徴量
  c) 音データの特徴量
  d) 状態データの特徴量

3.機械学習の基礎と実践
 1)機械学習の基本

  a) データがモデルをつくる
 2)学習の種類
  a) 教師あり学習の基本
  b) 教師なし学習の基本
  c) 強化学習の基本
 3)結果の分類
  a) 回帰
  b) クラス分類
 4)Windowsで機械学習環境をオープンソースにて構築
  a) 使用可能なオープンソース一覧
  b) Pythonの設定(Windows10端末の例)
 5)サンプルデータを機械学習で処理
  a) Pythonを実行し結果を得る
 6)機械学習のプログラム解説

4.ディープラーニングの基礎と実践
 1)機械学習とディープラーニングの違いは?

  A) ディープニューラルネットワークとは
  b) 把握すべきディープニューラルネットワークの特性
 2)ディープラーニングの各手法を把握する
  a) 畳み込みニューラルネットワーク CNN(Convolutional Neural Network)
  b) 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
  c) 強化学習 (Deep Q-learning)

5.機械学習・ディープラーニングを活用したデータ分析の具体例
 1) 画像分類
 2) 音データによる異常検知
 3) 言語処理によるトピック分類
 4) 時系列データ
 5) マーケティングデータ

6. 機械学習・ディープラーニングによるデータ分析の際の留意点
 1) データ特性に応じた機械学習・ディープラーニングの手法の選択
 2)訓練データとテストデータの割合
 3)ハイパーパラメータチューニング
 4)過学習の判断とその対策
 5) 既存モデルの活用(転移学習)

7.このセミナーだけで終わらせないために


  <質疑応答>