TensorFlowで学ぶディープラーニングと応用【PC実習付き】（定員２０名）

★必要な前提知識からディープラーニングの手法、実際に動かす時の課題など…
★手を動かして理解を深めながら学べるセミナーです！
★機械学習の基礎実習セミナーや人工知能の応用例セミナーとのお得なセット割引もございます。

講師

明治大学　総合数理学部　ネットワークデザイン学科　准教授　櫻井 義尚 先生

■ご略歴：
　2000年　電気通信大学電気通信学部電子情報学科卒業
　2002年　同大学大学院電気通信学研究科電子情報学専攻博士前期課程修了
　2005年　同博士後期課程単位取得済み退学．同年博士（工学）
　2005年4月～　東京電機大学情報環境学部情報環境学科助手
　2010年4月～　東京電機大学情報環境学部情報環境学科助教
　2013年4月～　明治大学総合数理学部ネットワークデザイン学科　准教授

■専門および得意な分野・研究：
　機械学習、データマイニング、進化計算、レコメンダーシステム、マーケティング調査分析、テキストマイニング、意思決定支援システム

■本テーマ関連学協会での活動：
　情報処理学会、人工知能学会、日本オペレーションズ・リサーチ学会、日本知能情報ファジィ学会、電気学会、進化計算学会、日本マーケティング学会、IEEE

受講料

　受講料(税込(消費税8%)、資料・昼食付)

参加形態　　　　　　　　　　区分　　　　　　　　価格(税込)　　　　1社2名以上同時申込

1講座のみの参加　　1回のみ、2回のみ、3回のみ　　　46,440　　　　　　　35,640

2講座の参加　　　　1･2回、1･3回、2･3回　　　　　 71,280　　　　　　　60,480

全講座（3講座）　　1･2･3回　　　　　　　　　　　　90,720　　　　　　　79,920

※PC貸出希望の場合　　　　　　　　　　　　　　　　7,560/回

セミナーポイント

■演習用PCご持参のお願い
　・本セミナーでは、PC演習を行います。
　　インストールして頂きたいツール等はお申込み完了後にご連絡差し上げます。
　・ご持参が難しい場合は、お申込み時に備考欄に『PC貸出』と記入ください。
　　7,560円（税込）にて貸出致します。
　・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。

■はじめに：
　過去の情報に基づいて顧客の行動を予測したり、これまで人手を要していた分類作業を自動化したり、機械学習はビジネス上の様々な場面で活用できる強力なツールになります。
　本セミナーでは、「これから自分で機械学習(ライブラリを使った)プログラムを作りたい」機械学習の初学者を対象に、機械学習の基礎を解説しつつ、機械学習ライブラリを使ったPythonのサンプルプログラムを実際に実行し、ソースコードの解説を通して、機械学習プログラムがどのように作られているかを学びます。
 
■受講対象者：
　・Pythonを動かしてみたい方
　・機械学習を活用したい方
　・Pythonを使った機械学習システムの構築を目指している方

■必要な予備知識：
【プログラミングについて】
　・簡単なパソコンの使い方（ファイル操作など）
　・Pythonでなくともいいので、何かしらのプログラミング経験があることが望ましい。
【機械学習について】
　この分野に興味のある方なら、特に必要ありませんが、大学初学年程度の数学の知識（ベクトル・行列・統計）があった方がより深く理解できます。

■本セミナーで習得できること：
　・機械学習の基礎知識
　・機械学習システム構築についての基礎知識
　・機械学習ライブラリを用いたPythonプログラミングの基礎
　・機械学習の代表的な手法の理解
　・ディープラーニングの基礎知識

★過去、本セミナーを受講された方の声（一例）：
　・独学では限界があったので要点をわかりやすく教えていただきありがとうございました。とてもためになりました。
　・全体の概要は理解できたので復習して理解を深めます。
　・内容、進め方、スピードどれも非常に良かったと思います
　・説明が丁寧でわかりやすくしていただいたのでよく理解できました。
　・関数の特徴、Tipsが多くわかりやすかった。質疑応答がよかった。

セミナー内容

1．ニューラルネットワーク
　1）人工ニューロン
　　・パーセプトロン
　2）ロジスティック回帰
　　・活性化関数
　　・誤差関数
　　・最適化問題
　3）機械学習ライブラリを用いたプログラム（scikit-learn）
　4）マルチクラス分類
　　・ソフトマックス関数
　5）多層パーセプトロンMLP
　　・誤差逆伝搬法
　6）TensorFlowによるプログラミング

2．ディープラーニング
　1）ディープラーニング
　　a）ディープラーニングとは
　　　1.特徴量とは
　　　2.特徴量抽出の意味する事
　　b）ディープラーニングのプログラムを作るには
　2）ディープニューラルネットワーク（DNN）
　　・TensorFlowによるプログラミング
　3）ディープラーニングの課題と解決策
　　・勾配消失問題
　　・様々な活性化関数
　　・オーバーフィッティング問題
　　・ドロップアウト
　4）ディープラーニングの手法
　　・リカレントニューラルネットワーク（RNN）
　　・畳み込みニューラルネットワーク（CNN）
　5）応用事例紹介
　
3．実際の機械学習システム構築での課題
　1）データをどこから持ってくるのか
　2）ネットのデータを集めるには（スクレイピング）
　3）urllibライブラリ
　4）HTMLやXMLを解析するBeautifulSoupライブラリ
　5）CSSセレクタ
　6）Web APIからのデータ取得