機械学習における特徴選択と過学習の抑制対策【提携セミナー】
おすすめのセミナー情報
開催日時 | 2023/8/21(月)10:30~17:00 |
---|---|
担当講師 | 福井 健一氏 |
開催場所 | Zoomによるオンライン受講 |
定員 | 30名 |
受講費 | 55,000円(税込) |
★ 過学習を抑えて、汎化性能の高いモデルを作るコツは!?
★ 各種特徴選択の比較とPythonによる実装例を解説!!
機械学習における特徴選択と過学習の抑制対策
-過学習抑制・特徴選択・ハイパーパラメータ最適化-
【提携セミナー】
主催:株式会社技術情報協会
【講演趣旨】
昨今、ディープラーニングを代表とするデータに基づく機械学習が産業界の様々な領域へ導入が進んでいる。しかしながら、実用化にあたり、過学習をいかにして抑えて未知データに対する汎化性能を向上させるか、どのように重要な特徴量を選別するか、また学習では直接最適化が不可能なハイパーパラメータをどのように調整するか、が主要な課題となる。本セミナーでは、まず機械学習の基本をおさらいし、これらの課題について代表的な対応策と共にそれらのPythonによる実装方法を丁寧に解説します。
習得できる知識
- 教師あり機械学習全般に関する基礎的知識
- 過学習抑制法の基本
- 特徴選択手法の基本
- ハイパーパラメータ最適化の基本
- 上記に関するPythonによる実装方法
担当講師
大阪大学 産業科学研究所 福井 健一 氏
セミナープログラム(予定)
1.機械学習の概要
1.1 機械学習の分類
1.2 教師あり学習の基本的構造と過学習問題
1.3 深層学習(ディープラーニング)の発展
1.4 機械学習の基本的な手順
- 前処理
- 次元の呪い
- 主成分分析による次元圧縮
- バイアスとバリアンス
- 評価基準の設定:クロスバリエーション
- 簡単な識別器:k-近傍法
- 評価指標:F値,ROC曲線
2.Pythonによる機械学習の実装方法(実装解説)
2.1 Scikit-learnを用いた実装方法
2.2 k近傍法による識別
3.過学習の抑制
3.1 ロジスティック回帰
3.2 L1/L2正則化
3.3 ディープラーニングにおける過学習の抑制
a. DropOut法
b. Batch Normalization法
3.4 L1/L2正則化の比較(実装解説)
4.特徴選択
4.1 逐次特徴選択
4.2 モデルベース特徴選択
a. L1正則化による特徴選択
b. 決定木学習/Random Forestに基づく特徴選択
4.3 各種特徴選択の比較(実装解説)
5.ハイパーパラメータ最適化
5.1 サポートベクトルマシン
5.2 ハイパーパラメータ最適化問題
5.3 Optunaによるハイパーパラメータ最適化方法(実装解説)
【質疑応答】
公開セミナーの次回開催予定
開催日
2023/8/21(月)10:30~17:00
開催場所
Zoomによるオンライン受講
受講料
1名につき55,000円(消費税込・資料付き)
〔1社2名以上同時申込の場合1名につき49,500円(税込)〕
備考
資料は事前に紙で郵送いたします。
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。
※お申込後はキャンセルできませんのでご注意ください。
※申し込み人数が開催人数に満たない場合など、状況により中止させていただくことがございます。