はじめてのPython【演習付】と教師あり学習・教師なし学習《２日間セミナー》【提携セミナー】

　　セミナー　　情報通信　　AI・機械学習　　はじめてのPython【演習付】と教師あり学習・教師なし学習《２日間セミナー》【提携セミナー】

はじめてのPython【演習付】と教師あり学習・教師なし学習《２日間セミナー》【提携セミナー】

開催日時	2020/12/10（木）10:30～16:30
担当講師	小林邦和　氏
開催場所	Live配信セミナー（リアルタイム配信）
定員	-
受講費	通常申込：82,500円 S&T会員受講料：78,320円

【所属業界は特に関係ありません。Pythonを学びたい方、機械学習・深層学習へ】

＜２日間セミナー＞
はじめてのPython【演習付】と

教師あり学習・教師なし学習

【提携セミナー】

主催：サイエンス＆テクノロジー株式会社

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。同時に、実践演習では、最近様々な分野で、注目を集め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。従って、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でコーディ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。

◆　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ノートパソコンをご準備下さい。
PCは１台で結構ですが、セミナー視聴用PCと演習用PCは分けた方が受講しやすいかもしれません。

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Anaconda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下さい。
Anaconda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が、mglearnのみ個別インストールが必要となります。個別インストールは、Windowsでは、Anaconda Promptを開き、pip install mglearnでインストールできます。
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。事前にSpyderをインストールしておいていただけるとスムーズに演習が行えます。なお、Anacondaを利用した場合は、Spyderは自動インストールされます。

◆　受講対象

大量のデータを扱っていて、データの山から知識を引き出したい、機械学習で有効活用したい方へ
手っ取り早くPythonを学びたい方

◆　得られる知識、技術など

Pythonの基本的なコーディング方法
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

担当講師

愛知県立大学情報科学部教授　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．演習環境の構築
2.1 Pythonのインストール（ディストリビューションAnaconda利用）
2.2 各種ライブラリ（NumPy、SciPy、matplotlib、IPython、pandas、mglearn、scikit-learn）のインストール
2.3 統合開発環境Spyderのインストール
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）

３．Python入門講座
3.1 Pythonの特徴
3.2 なぜいまPythonか？
3.3 Pythonの基本文法
3.4 コーディング方法（統合開発環境Spyderの使い方含む）
3.5 各種ライブラリ（NumPy、SciPy，matplotlib、scikit-learn、mglearnなど）の使い方
3.6 機械学習アルゴリズムの実装方法
3.7 サンプルコードを用いた実践演習
3.8 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の著作権
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 過剰適合と適合不足
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）

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 凝集型クラスタリング
6.3.4 DBSCAN（クラスタリング）

７．実装上の注意事項
7.1 データの前処理（スケール変換など）
7.2 テスト誤差の最小化（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）
7.4 実データの読み込み方法

８．まとめと質疑応答