AI・人工知能時代のための PC実習で学ぶはじめての統計・機械学習入門シリーズ講座【全3回】

各回ともPC実習を導入した
統計・機械学習のハンズオン形式セミナー!
自分の手を動かすことで、より身につく!


★ 昨今の人工知能・AIブームに取り残されないために!
  必要なものは中学校レベルの数学知識のみ!


★ このページは、
「AI・人工知能時代のためのPC実習で学ぶはじめての統計・機械学習入門シリーズ」
  全3回
セットです。

  第1回~第3回のいずれか1回または2回の受講も可能です。
【第1回】「はじめての統計学【PC実習付き】」
 https://www.monodukuri.com/seminars/detail/8719
【第2回】「はじめてのベイズ統計学【PC実習付き】」
 https://www.monodukuri.com/seminars/detail/8720
【第3回】「はじめてのディープラーニング【PC実習付き】」
 https://www.monodukuri.com/seminars/detail/8721
【全3回】 このページのセミナー

※ いずれか2回の受講をご希望の場合は、それぞれの回のページからお申込みのうえ
  備考欄に2回同時申込みの旨ご記入ください。ご請求時に割引料金を適用します。


日時


第1回
2019年7月8日(月) 10:30-17:30
2019年7月9日(火) 10:00-17:00

第2回
2019年8月7日(水) 10:30-16:30
2019年8月8日(木) 10:30-16:30

第3回
2019年9月5日(木) 10:30-17:30
2019年9月6日(金) 10:00-16:00 【6日間コース】


講師


株式会社すうがくぶんか 講師未定
* 主催社セミナーにて過去講演経験のある先生に、各回持ち回りでご登壇頂く予定です。


受講料


1名158,760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147,960円
*学校法人割引 ;学生、教員のご参加は各回それぞれ受講料1名38,340円

※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。
※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。
 全3回中、2回未満の実施の場合: 70%返金
 全3回中、3回未満の実施の場合: 40%返金

<全3回申込の場合のみ>
6月24日(月)までに全3回参加のお申込を頂いた場合のみ、
145,800円(税込)でご参加頂けます。
※1社2名以上同時申込は、さらに税込10,800円引き


実習用PCについて


各回とも、セミナーで使用されるPCは主催社にて用意致します。
お手持ちのPCをご希望される方はお問い合わせください。
※ 持ち込みによる値引きはありません。


プログラム


7月8日(月) 10:30-17:30、7月9日(火) 10:00-17:00 
<入門編/知識ゼロから学べる>
はじめての統計学(2日間セミナー)【PC実習付き】


■ 講座のポイント
 統計学の基礎的な技術(記述統計、推定、検定、回帰分析)について、中学数学程度の予備知識を仮定して、説明する講座です。また、データ分析を行う際に気をつけるべきポイントなどについても、実際のデータを分析しながら実践的に学ぶことができます。

■ 受講後、習得できること
・記述統計の方法
・推測統計の方法 (推定、検定)
・回帰分析
・R言語の簡単な使い方

■ 受講対象
・統計学を初めて学ぶ方
・中学数学程度(方程式の解、1次関数など)の予備知識がある方
・R言語に触れてみたい方

■ 講演中のキーワード
・統計学
・データ分析
・回帰分析
・R(R言語)

■ 講演プログラム
1.統計学とはどんな学問か
  1-1.統計学の考え方
  1-2.統計学の分類とその対象
   1-2-1.記述統計学と推測統計学
   1-2-2.母集団と標本

2.データの記述
  2-1.データの種類
  2-2.度数分布表とヒストグラム

3.代表値
  3-1.平均値・中央値・最頻値
  3-2.四分位点と箱ひげ図
  3-3.分散・標準偏差
  3-4.データの標準化と偏差値

4.2変量の関係
  4-1.相関
  4-2.相関の図示
  4-3.相関係数
  4-4.質的変数を含む場合の指標

5.確率分布
  5-1.正規分布
  5-2.標準分布

6.推定
  6-1.推定とは
  6-2.中心極限定理
  6-3.母平均に関する推定

7.検定
  7-1.検定とは
  7-2.母平均の差の検定
  7-3.カイ二乗検定
  7-4.分散分析

8.回帰分析
  8-1.回帰分析とは
  8-2.回帰分析の手順
  8-3.回帰分析を行う際の注意点

 <終了後、質疑応答> 



第2回 8月7日(水) 10:30-16:30、8月8日(木) 10:30-16:30 
<入門編/知識ゼロから学べる>
はじめてのベイズ統計学(2日間セミナー)【PC実習付き】 


■ 講座のポイント
 昨今、様々な分野で注目を浴びているベイズ統計学について、集中的に学ぶ講座です。通常の統計学は学んだことがあるが、ベイズ統計については初心者という方に向けてカリキュラムを構成する予定です。
 大きく2つのテーマを元にカリキュラムを構成します、1つ目は、ベイズ統計学と従来の統計学の考え方・手法の違いについて。2つ目は、ベイズ統計学の応用事例についてです。またコンピュータ[R、Stan]を使った実習も取り入れ、理論だけでなく実際にどのように解析を行うのかについても、体験できるようになっています。

■ 受講後、習得できること
・ベイズ統計学の考え方について知ることができる
・従来の統計学とベイズ統計学の違いについて知ることができる
・ベイズ統計学の応用事例について知ることができる
・ベイズ統計による統計解析をコンピュータを用いて実践することができる

■ 講演中のキーワード
・ベイズ統計学
・階層ベイズ法
・状態空間モデル
・マルコフ連鎖モンテカルロ法(MCMC)
・統計学
・線形混合モデル

■ 講演プログラム
1.ベイズ統計学の概要
  1-1.ベイズ統計学の成り立ち
  1-2.ベイズ統計学と従来の統計学

2.ベイズの定理
  2-1.条件付き確率
  2-2.ベイズの定理(ベイズの展開公式)
  2-3.事前確率・事後確率・尤度とその解釈

3.確率分布とベイズの定理
  3-1.確率分布に対するベイズの定理
  3-2.自然な共役分布

4.マルコフ連鎖モンテカルロ法(MCMC)
  4-1.MCMCの概要
  4-2.実際のアルゴリズム紹介

5.Stanを用いたMCMCサンプリング
  5-1.Stanの使用法
  5-2.簡単なモデル
  5-3.線形回帰をStanで

6.階層ベイズモデル
  6-1.統計的モデリングの概要
  6-2.階層ベイズとは
  6-3.過分散の事例

7.状態空間モデル
  7-1.状態空間モデルと一般的な時系列モデル(AR等)の違い
  7-2.状態方程式と観測方程式
  7-3.Stanでの実装(ローカルレベルモデルとトレンドモデル)

 <終了後、質疑応答> 



第3回 9月5日(木) 10:30-17:30、9月6日(金) 10:00-16:00 
<入門編/知識ゼロから学べる>
はじめてのディープラーニング(2日間セミナー)【PC実習付き】


■ 講座のポイント
 深層学習(ディープラーニング)は、機械学習のなかでもニューラルネットワークと呼ばれる手法の一つです。画像・音声・自然言語に関するベンチマークタスクにおいて、その他の機械学習手法を圧倒する高い性能を示したことで広く浸透しました。
 ただし、深層学習が他の機械学習手法と明らかに異なる性能を示すまでには、
 * 勾配消失問題
 * 過剰適合
 * 内部共変量シフト
 * 非常に多いハイパーパラメータの理論的な解析
などなど深層学習が抱えてきた様々な問題に対する対処案が必要です。この講座ではこれらがなぜ深層学習のパフォーマンスにとって重要かを、ニューラルネットワークの基本となるパーセプトロンから始め、多層ニューラルネットワーク、そして深層学習と進むことで、理解してもらいます。

■ 受講後、習得できること
・機械学習の一般論
・深層学習と一般の機械学習の比較
・CNNによる画像処理の基礎
・強化学習の基礎知識

■ 受講対象
・機械学習、特に深層学習に興味がある方
・なんらかの言語でのプログラミング経験のある方(Pythonであるとさらに良い)

■ 講演中のキーワード
・深層学習
・Deep Learning
・ニューラルネット
・AI
・画像処理

■ 講演プログラム 
1.教師あり学習概論
  1-1.AIと機械学習、深層学習
  1-2.機械学習とその分類
  1-3.教師あり学習とその統計学的解釈
  1-4.損失関数と最尤推定
  1-5.モデル評価と過剰適合・過少適合
  1-6.Pythonによる演習:機械学習プログラミングの基本的な流れ

2.パーセプトロン
  2-1.ニューロン
  2-2.単純パーセプトロン
  2-3.単純パーセプトロンの表現力
  2-4.多層パーセプトロンとその表現力
  2-5.パーセプトロンの学習と誤り訂正学習

3.ニューラルネットワーク
  3-1.多層ニューラルネットワークのアーキテクチャ
  3-2.万能近似定理と深層化の理由
  3-3.表現学習:各層で何が行われているのか?
  3-4.多層ニューラルネットワークの学習:勾配降下法と誤差逆伝播法
  3-5.勾配消失問題とReLU
  3-6.過剰適合に対する対処
  3-7.Pythonによる演習:深層ニューラルネットワークによるMNISTタスクの実践
  3-8.Pythonによる演習
  :深層ニューラルネットワークによるFashion-MNISTタスクの実践

4.畳み込みニューラルネットワーク
  4-1.階層仮説
  4-2.畳み込み層とフィルタ
  4-3.プーリング層
  4-4.畳み込みニューラルネットワークの順伝播の流れ
  4-5.畳み込みニューラルネットワークの誤差逆伝播法
  4-6.Pythonによる演習
  :畳み込みニューラルネットワークによるFashion-MNISTタスクの実践

5.深層強化学習入門
  5-1.強化学習とはなにか
  5-2.価値反復法とQ-学習
  5-3.深層Q-学習
  5-4.Pythonによる演習:CartPole-v0タスクによる強化学習の実践

 <終了後、質疑応答>