実務に使うための機械学習・ディープラーニング

「機械学習(ディープラーニング)」を基礎から解説し、
どうやって実務に取り入れていくのを分かりやすく解説します


機械学習やディープラーニングの基礎を学びたい方、
ディープラーニングの精度を高めるテクニックを知りたい方、
手法やフレームワークの種類知りたい方など、
機械学習の入り口としてもお勧めのセミナーです!


講師


横浜国立大学 大学院環境情報研究院 講師 白川 真一 先生


講師紹介


ご略歴
 2009年3月、横浜国立大学大学院環境情報学府修了、博士(工学)
 2009年4月〜2010年3月、日本学術振興会特別研究員(PD)
 2010年4月〜2012年3月、株式会社富士通研究所 研究員
 2012年4月〜2013年3月、青山学院大学理工学部情報テクノロジー学科 助手
 2013年4月〜2015年3月、青山学院大学理工学部情報テクノロジー学科 助教
 2015年4月〜2016年4月、筑波大学システム情報系 助教
 2016年4月〜現在、横浜国立大学大学院環境情報研究院 講師

専門および得意な分野・研究
 人工知能、知能情報処理、進化計算、機械学習、画像処理・認識

本テーマ関連学協会での活動
 電気学会 実社会システムの高度なAI化を目指した
機械学習技術応用協同研究委員会 幹事(2017年4月〜現在)
 計測自動制御学会 システム工学部会 幹事(2016年1月〜2017年12月)
 電気学会 大規模・複雑システムのモデリング・シミュレーション
 ・最適化技術協同研究委員会 幹事(2014年10月〜2016年9月)


受講料


1名43,000円 + 税、(資料・昼食付)  
*1社2名以上同時申込の場合 、1名につき33,000円 + 税  
※消費税につきましては講習会開催日の税率にて課税致します。  
*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


はじめに
 知的な処理をコンピュータやロボットで実現しようとする「人工知能」は、
様々な分野で大きな注目を集めています。それに伴って、現代の人工知能を支える「機械学習」や
「ディープラーニング」といった技術の重要性はますます高まっています。
特に、ディープラーニングの登場により画像認識の精度は飛躍的に向上しました。
コンピュータの目となる画像認識技術は自動運転でも必要不可欠な技術であるといえます。
 本セミナーでは「機械学習」の考え方やアルゴリズムを基礎からじっくり解説します。
セミナー後半では、画像認識への応用を中心に「ディープラーニング」について説明します。
 本セミナーを通して、機械学習・ディープラーニングの考え方、どのような問題に適用できるのか、
実際の問題に応用するためには何が必要なのか、などについて知識を身につけていただくことがねらいです。

受講対象者
 ・機械学習やディープラーニングの基礎知識を習得したい方
 ・業務に機械学習が使えないか検討中の方
 ・ディープラーニングによる画像認識の導入を検討している方

必要な予備知識
 ・高校卒業レベルの数学の知識

本セミナーで習得できること
 ・機械学習の考え方、基礎知識
 ・機械学習の典型的な手法とそれらの使い分け
 ・機械学習、ディープラーニングの画像認識への応用方法


セミナー内容


1. 機械学習入門
  1)機械学習と人工知能の関係
  2)機械学習のこころ(基本的な考え方)
  3)機械学習で実現できること
  4)機械学習の構成要素:モデル、損失関数、最適化

2. 機械学習の基礎
  1)機械学習手法の分類(教師あり学習 / 教師なし学習 / 強化学習)
  2)機械学習の手順と評価方法
  3)機械学習手法の例
      ①線形回帰
    ②ロジスティック回帰
    ③サポートベクターマシン
    ④ニューラルネットワークとディープラーニング
    ⑤決定木とランダムフォレスト
    ⑥最近傍法
    ⑦k-meansクラスタリング
    ⑧主成分分析
  4)Pythonの機械学習ライブラリscikit-learn

3. ディープラーニングの画像認識への応用
  1)画像認識の基礎
              ①画像データについて
              ②画像認識の難しさ
              ③前処理・特徴抽出
              ④機械学習による画像認識
  2)畳み込みニューラルネットワーク(Convolutional Neural Network; CNN)
  3) CNNによる画像分類
  4) CNNによる物体検出
  5) AutoencoderとGenerative Adversarial Network (GAN)
  6) 画像生成・画像修復への応用
  7) 異常検知への応用
  8) ディープラーニングの性能を向上させるいくつかのテクニック
    ①過学習を起こさないためには?
    ②学習をうまく進めるには?
    ③ネットワークの計算を早くするには?
    ④事前に決定するパラメータやネットワーク構造を決めるには?
  9) ディープラーニングのフレームワーク
   (Chainer / TensorFlow / Keras / Pytorch  / Neural Network Console)
 
4. 機械学習を上手く応用するために
  1)対象問題の整理と定式化
  2)データの取得 / 前処理 / 特徴抽出
  3)アルゴリズムの選択
  4)ハイパーパラメータの調整