【PythonによるPC実習付き】機械学習入門セミナー(定員20名)<Zoomによるオンラインセミナー>
開催日 |
10:30 ~ 16:30 締めきりました |
---|---|
主催者 | 株式会社 情報機構 |
キーワード | 機械学習・ディープラーニング AI(人工知能) |
開催エリア | 全国 |
開催場所 | お好きな場所で受講が可能 |
機械学習の解説とPythonを使ったPC実習で理解を深める!
本セミナーはZoomによるオンラインセミナーに変更となりました。会場での講義は行いません。
※PCもしくはスマートフォンとネットワーク環境をご準備下さい。
受講に関しましては別途ご案内を致します。
セミナー講師
埼玉大学 大学院理工学研究科 准教授 大久保 潤 先生
■ご略歴:
2007年、東北大学大学院情報科学研究科 博士後期課程修了。博士(情報科学)
その後東京大学物性研究所 助教、京都大学大学院情報学研究科 講師を経て、2015年から埼玉大学大学院理工学研究科 准教授(現職)。
■専門および得意な分野・研究:
確率的情報処理、機械学習、確率過程の数理と応用。
■本テーマ関連学協会での活動:
『機械学習を利用するための考え方のポイント』の講演に対して、計測自動制御学会 2017年度産業応用部門賞 奨励賞を受賞。
セミナー受講料
1名47,300円(税込(消費税10%)、資料付)
*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。
■受講者の方へ: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、お申込み時に選択欄から『PC貸出』を選択ください。
7,000円 + 税 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。
※ご連絡
当セミナーの会場では、現金による受講料支払いを休止させていただくこととなりました。
現金にてお支払い希望の方は、コンビニエンスストアにてお支払いできる用紙をご送付申し上げますので、お近くの店舗にてお支払い頂けましたら幸いです。尚、領収証をご希望の方は、コンビニ支払い時に発行される振込受領書と引き換えにて発行させて頂きます。
セミナー趣旨
日常的な仕事のなかで「項目数がたくさんあるデータを分類する」「データに紛れ込んだ間違いを探す」といった作業はありませんか。「条件によって分類する」だけなら(データの量が多いと面倒ですが)単純です。でも、そのような単純な条件がわかっておらず、「過去、こうやって分類してきたから、なんとなく」という場合もあるのではないでしょうか。
人工知能の基本的な技術である「機械学習」を使えば、例えば「過去のデータでの分類結果」を機械に学ばせることができます。学習させてしまえば分類作業を自動化できますし、生産性の向上を目指すこともできるでしょう。
人工知能や機械学習は「流行って」います。ただし単なる流行というわけではなく、さまざまな分野での基本技術として今後使われ続けるものでもあります。そのため、機械学習に関わる用語や考え方を業務のなかで見かける機会が、今後ますます多くなると予想されます。
本セミナーでは「自分で機械学習のプログラムを作成してみたいけれど、どこから手をつければいいか、わからない」「外部の業者に開発を委託するにも、何を依頼すればよいのか、わからない」といった機械学習の初学者向けに、ポイントを絞った解説をします。さらに、機械学習の開発現場でも広く利用されているPythonを使い、「データを準備する」「機械に学習させる」「学習した結果を利用する」という一連の流れを体験していただきます。もちろん、機械学習の技術を「きちんと」現場で使えるようになるためには、継続的に学び続ける必要があるでしょう。本セミナーを通して、今後の勉強や業務に役立つ機械学習の基本を身につけてもらうことが狙いです。
受講対象・レベル
・機械学習を学ぶきっかけが欲しい方
・機械学習のプログラムを自分で実際に動かしてみたい方
・まずは簡単なところから業務に機械学習を取り入れてみたい方
その他、機械学習に興味のある方なら、どなたでも受講可能です(業種・業界は問いません)
必要な予備知識
・簡単な(Excel操作レベルの)パソコンの使い方(実習のため)
・機械学習については本セミナで解説しますので、予備知識は不要です。Pythonのプログラミングについても本セミナで最低限度の解説をします。ただ、Python以外でもかまいませんのでプログラミングについての予備知識が少しでもあれば、実習を進めやすくなります
習得できる知識
・機械学習の基本的な考え方
・機械学習に関する継続的勉強のための基礎力
・Pythonと機械学習ライブラリの利用方法の初歩
・データの準備から学習、利用までの流れの体験
セミナープログラム
1. 分類方法を、機械が学習するということ
1) 人工知能と機械学習の違いを知る。
2) データをクラスAかクラスBかに分類する。 [分類の基本]
3) 機械学習と分類の基本を知る。 [線形分類、2クラス分類]
4) 機械学習の考え方を分解してみる。
2. 実習その1
1) プログラミングの世界を、覗いてみる。 [プログラミング基礎]
2) Pythonに触ってみる。 [Pythonの利用方法、基本的な文法]
3) データの表をPythonで扱う。 [numpyの基礎]
4) Excelで作ったデータファイルをPythonで読み込む。 [csvファイル]
5) ライブラリ使って機械学習を試してみる。 [scikit-learnの基礎]
6) 実際にデータを分類してみる。 [線形SVM(サポートベクトルマシン)]
3. 分類問題の、もう一歩踏み込んだ世界
1) 機械学習の歴史について簡単に知る。
2) 単純に分類できないデータを変換する。 [特徴空間、非線形分類]
3) ほかの分類方法を知る。 [決定木、ランダムフォレスト]
4) データの前準備をする。[データの標準化]
4. 実習その2
1) 単純に分類できないデータを扱ってみる。 [SVM]
2) ほかの分類方法を試してみる。 [ランダムフォレスト]
3) データの前処理を試してみる。 [データの標準化]
5. 他の用途、他のモデル
1) データの種類に応じた機械学習を知る。 [教師あり学習・教師なし学習]
2) 見た目だけでデータを分類する。 [クラスタリング]
3) 用途に応じて方法を使い分ける。 [k平均法、混合ガウスモデル]
6. 実習その3
1) クラスタリングを試してみる。 [k平均法、混合ガウスモデル]
2) 異常なデータを自動検出してみる。 [混合ガウスモデルの応用]
7. 今後のための、準備
1) 機械学習を次の値の予測に使う。[回帰]
2) 機械の学び過ぎを防ぐ。 [過学習]
3) 学習と検証のためにデータを分割する。[訓練データと評価データ、交差検定]
4) 最近話題の技術について知る。 [ニューラルネットワーク、深層学習]
5) 性能を発揮するために調整する。 [パラメータチューニング]
6) 機械学習を使う上でのポイントを知る。
7) 今後の継続的勉強の準備をする。
【注意事項】
・機械学習の手法については、数学的な詳細を扱わず、基本的な考え方のみを説明します。
・本セミナーの目的は、今後の継続的勉強を念頭におき、機械学習の基本について学ぶことです。そのため基本的な題材に絞って解説・実習を進めます。
最近話題の深層学習(ディープラーニング)については少し触れるだけにとどめ実習はしません。
機械学習を使っていくなかで、必要に応じて利用するものが深層学習です。深層学習はいわば[スポーツカー]。アクセルを踏めば誰にでも走らせることはできますが、いきなり[スポーツカー]を乗りこなすのではなく、基本的な[走り方]を学びましょう。
・Pythonについてのセミナーではありませんので、最低限度の説明しかおこないません。
これは逆に言えば、プログラミングの知識をそれほど必要としないでも、Pythonを使えば機械学習を試すことができる、ということです。
・もちろん、上記の点についても個別に質問があれば(可能な限り)説明をします。
★過去、本セミナーを受講された方の声(一例):
・ハンズオンの分量もちょうどよく、とても参考になりました。
・産と学の違いを意識された講義は印象的でした
・Pythonによるデータ分析の導入としては十分に理解できる内容でした。
・資料が充実しており、復習しやすい点が良い。入門セミナーですが実践的だとも思いました。
・専門用語が多すぎず、とてもわかりやすかったです。
・自分で実際に動かしたい人には入門として向いている講習だと思った。
・復習のための補足メモ・参考書籍が大変参考になります。
・とても理解しやすい講義で、途中に話題や活用例を示して下さってずっと興味を持って聞けました。
・前処理に対する解説が十分にあったため、自分のケースにあわせて使いたいと思います。
・独学で学べる部分は省いて、自走するための最低限の知識やテクニックを教えていただけたのがよかった。
・何の知識もないまま、ただの興味で講義を受けてみましたが、先生の説明がわかりやすく、研修を終えることができました。ありがとうございました。
・入門編としては実践的で、先も見据えてくれたのでとてもありがたかった。
■ご講演中のキーワード:
Python,分類問題,サポートベクトルマシン,ランダムフォレスト,クラスタリング,k平均法,混合ガウスモデル