はじめてのPython【演習付】と

教師あり学習・教師なし学習

■実践演習を通して理解を深める機械学習■

《Pythonと機械学習ライブラリscikit-learn》

【提携セミナー】

主催：サイエンス＆テクノロジー株式会社

★ 業界は特に関係ありません。
★ Pythonを学びたい人から、業務でデータ処理・解析をしたい人まで、幅広い方を対象です。

セミナー趣旨

機械学習の入門講座(セミナー)は、巷にたくさんありますが、理論と実践が揃って、はじめて現場で使える技術とになります。

本セミナーでは、機械学習の理論的側面のみではなく、コンピュータを用いた実践演習を通して、理解を深めていきます。実践演習では、機械学習では業界標準となっているコンピュータ言語Pythonと機械学習ライブラリscikit-learnを用います。

本セミナーは、純粋に最近流行りのPythonを学びたい人から、業務でデータ処理・解析をしたい人まで、幅広い方を対象としています。特に、日々大量のデータを扱っていて、そのデータの山から知識を抽出したいと思っている方が最適な受講対象者となります。

Pythonでプログラミングした経験がない人も歓迎しますが、実践演習を通して学んでいきますので、他の言語によるプログラミングや、コンピュータ(アプリケーションソフトウェア)によるデータ処理の経験がある方が望ましいです。

◆　得られる知識、技術など

Pythonの基本的なプログラミング方法
Pythonの各種ライブラリの活用方法
代表的な機械学習法(教師あり学習、教師なし学習)の基礎理論
機械学習ライブラリscikit-learnを活用した機械学習アルゴリズムの実装方法
機械学習によるデータ処理・分析・可視化方法

＜受講にあたっての注意事項＞

本セミナーでは、演習を行いますので、以下の条件を満たしたパソコン(デスクトップ型、ノート型いずれも可)をセミナー当日までに準備してください。プラットフォームは、Windows、Linux、macOSを問いません。
演習環境を統一したいので、事前にMinicondaを用いて、Python 3.x(バージョン3系)をインストールしておいてください。Minicondaを利用すると、演習で必要な標準・外部ライブラリがほとんど自動インストールされます。ただし、統合開発環境Spyder、機械学習ライブラリscikit-learn、および可視化ライブラリseabornは、追加インストールする必要があります．これらのインストール方法は、Windowsの場合、Anaconda Prompt、macOSやLinuxの場合、ターミナルを開き、コマンドラインより下記のコマンドを入力して個別にインストールしてください。
conda install spyder
conda install scikit-learn
conda install seaborn
演習で使用するサンプルコードは、セミナー開催前に配布いたします。
本セミナーでは、Pythonの統合開発環境(IDE)として、Spyderを用いて説明を行いますが、使い慣れている開発環境(例えばJupyter Notebook、Jupyter Labなど)がある方はそちらを使っていただいて構いません。

担当講師

愛知県立大学 情報科学部 教授

同 次世代ロボット研究所・副所長(兼任)　小林 邦和　氏

セミナープログラム（予定）

１．はじめに
1.1 講師自己紹介
1.2 セミナーの狙い

２．演習環境の確認
2.1 Pythonの実行環境の確認
2.2 各種ライブラリ(NumPy、SciPy、matplotlib、scikit-learn)の実行環境の確認
2.3 統合開発環境Spyderの確認
2.4 Pythonの実行方法(インタプリタ、コマンド渡し、統合開発環境)の確認

３．Python入門講座
3.1 Pythonの特徴
3.2 Pythonの基本文法
3.3 プログラミング方法(統合開発環境Spyderの使い方含む)
3.4 各種ライブラリ(NumPy、SciPy、matplotlib、scikit-learn)の使い方
3.5 機械学習アルゴリズムの実装方法
3.6 サンプルコードを用いた実践演習
3.7 参考書・情報源の紹介

４．機械学習概論
4.1 機械学習の概要
4.2 三大学習法(教師あり学習、教師なし学習、強化学習)
4.3 機械学習データセットの紹介
4.4 機械学習におけるデータと著作権
4.5 専門書・参考書の紹介

５．教師あり学習
5.1 教師あり学習の概要
5.2 クラス分類と回帰
5.3 過剰適合(過学習)と適合不足(学習不足)
5.4 モデル複雑度と精度
5.5 多クラス分類
5.6 各種教師あり学習アルゴリズムの基礎理論と実践演習
5.6.1 k-最近傍法(クラス分類、回帰)
5.6.2 線形モデル(線形回帰、Ridge回帰、Lasso回帰、ロジスティック回帰)
5.6.3 サポートベクトルマシン(線形モデル、ソフトマージン、非線形モデル)
5.6.4 決定木
5.6.5 アンサンブル学習(ランダムフォレスト、アダブート)
5-7 クラス分類の性能指標

６．教師なし学習
6.1 教師なし学習の概要
6.2 次元削減と特徴量抽出
6.3 各種教師なし学習アルゴリズムの基礎理論と実践演習
6.3.1 主成分分析(次元削減)
6.3.2 k-平均法(クラスタリング)
6.3.3 凝集クラスタリング
6.3.4 DBSCAN(クラスタリング)
6.4 クラスタリングの性能指標

７．実装上の注意事項 
7.1 データの前処理(スケール変換)
7.2 テスト誤差の最小化(k分割交差検証)
7.3 ハイパパラメータの最適化(グリッドサーチ、ランダムサーチ)
7.4 実データの読み込み方法

８．まとめ

　　□ 質疑応答 □

公開セミナーの次回開催予定

開催日

未定

開催場所

未定

受講料

配布資料

PDFテキスト(印刷可・編集不可)
　※開催2日前を目安に、主催者サイトのマイページよりダウンロード可となります。

オンライン配信のご案内

※【Live配信（zoom使用）対応セミナー】についてはこちらをご参照ください

※【WEBセミナー：アーカイブ受講対応セミナー】についてはこちらをご参照ください

備考

※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。

特典

■Live受講に加えて、アーカイブでも１週間視聴できます■
このセミナーはアーカイブ付きです。セミナー終了後も繰り返しの視聴学習が可能です。

お申し込み方法

★下のセミナー参加申込ボタンより、必要事項をご記入の上お申し込みください。