課題解決、品質向上、技術向上のセミナーならTH企画セミナーセンター

本格的な勉強を始める前に概要と雰囲気を掴むための

機械学習の入門からディープラーニングまで
~Python実習による機械学習の理解~


Warning: Undefined variable $seminar_kind_formatted in /home/beker/thplan.com/public_html/wp-content/themes/thplan/single.php on line 37

エレクトロニクス化学機械

機械学習の基本的な教師あり学習手法の考え方や理論的背景,Pythonを用いた実習を交えて
               機械学習の理解を深める特別セミナー!!

講師

大阪大学 産業科学研究所 知能アーキテクチャ研究分野 准教授 博士(情報科学)福井 健一 先生
  (情報科学研究科 情報数理学専攻 協力講座)

日時
会場

連合会館 (東京・お茶の水)

会場案内

Googlemapでの表示はこちら

受講料
1名:48,600円 同時複数人数申込みの場合 1名:43,200円
テキスト

受講概要

予備知識

 高校卒業程度の数学の知識(微分,確率・統計,行列計算等)
 プログラミングの経験(Pythonでなくても良い)

習得知識

 1)機械学習の体系的理解(俯瞰的知識)
 2)いくつかの代表的な教師あり学習手法とその理論的背景、またその実運用(実習を通じて)
 3)ディープラーニングの基本的な考え方と実運用の指針(実習を通じて)

持参品

 ノートパソコン(下記ソフトウェアをインストール済み)

使用するソフトウェアの入手方法

 Python 3.6, Chainer 2.1を使用します.

 ・Anaconda (Python 3.6バージョンを使用)のインストール
 下記からPython 3.6バージョンをダウンロードしてください.
 https://www.anaconda.com/download/
 ・Chainer 2.1のインストール
 (Windowsの場合)
 Anacondaをインストール後,Anaconda Promptを起動して,下記コマンドを実行
 pip install chainer==“2.1”
 (Macの場合)
 Anaconda Promptの代わりにターミナルを起動,以下同様

 ・インストールの確認方法
 Anaconda Promptを起動して,下記コマンドを実行してエラーが出なければOK
 python

 上記でpythonを起動後,下記コマンドを実行してエラーが出なければOK
 import chainer

講師の言葉

 本セミナーでは、機械学習の基本的な教師あり学習手法の考え方や理論的背景の説明とともに、
Pythonを用いた簡単な実習を交えて機械学習の理解を深めます。昨今のAIブームの火付け役とも言える
ディープラーニングは強力な学習手法ですが、万能ではありません。問題の特性をよく理解して適切な
機械学習手法を選択し、適切に用いることが重要です。これから本格的な勉強を始める前に概要と
雰囲気を掴むには最適です。

プログラム

1 機械学習の概要
 1.1 ビッグデータ時代
 1.2 機械学習とは?
 1.3 最近の例
 1.4 機械学習の分類
 1.5 教師あり学習
  1.5.1 識別
  1.5.2 回帰
 1.6 教師なし学習
  1.6.1 モデル推定
  1.6.2 パターンマイニング
 1.7 半教師あり学習
 1.8 深層学習(ディープラーニング)
 1.9 強化学習
 1.10 機械学習の基本的な手順
  1.10.1 前処理
  1.10.2 次元の呪い
      1.10.3 次元圧縮の例(主成分分析)
      1.10.4 バイアスとバリアンス
  1.10.5 評価基準の設定:クロスバリエーション
  1.10.6 簡単な識別器:k-近傍法
  1.10.7 評価指標:F値,ROC曲線
 1.11 k-近傍法を用いた実習:機械学習の基本的な手順の確認

2 識別(1):ベイズ学習
 2.1 統計的機械学習とは
 2.2 学習データの対数尤度
 2.3 1次元2値の場合
 2.4 ナイーブベイズ分類器
 2.5 ベイジアンネットワーク
 2.6 簡単な例
 2.7 ベイジアンネットワークの構成
 2.8 ベイジアンネットワークを用いた識別
 2.9 ナイーブベイズ分類器を用いた実習

3 識別(2):線形識別モデル
 3.1 識別モデル
 3.2 ロジスティック識別概要
 3.3 ロジスティック識別の導出
 3.4 ロジスティック識別器の学習
 3.5 確率的最急勾配法
 3.6 正則化
 3.7 ロジスティック識別器を用いた実習

4 識別(3):サポートベクトルマシン
 4.1 サポートベクトルマシンとは
 4.2 マージン最大化のための定式化
 4.3 マージン最大化とする識別面の計算
 4.4 ソフトマージン
 4.5 カーネル関数
 4.6 簡単なカーネル関数の例
 4.7 入れ子交差検証によるハイパーパラメータ調整
 4.8 サポートベクトルマシンを用いた実習

5 識別(4):パーセプトロンから深層学習まで
 5.1 単純パーセプトロン
 5.2 誤り訂正学習
 5.3 最小二乗法による学習
 5.4 多層ニューラルネットワーク
 5.5 逆誤差伝搬法による学習
 5.6 深層学習とは
  5.6.1 従来の識別学習との違い
  5.6.2 深層学習の分類
  5.6.3 最近の応用例
 5.7 多階層ニューラルネットワークの学習における問題
 5.8 自己符号化器(AutoEncoder)による事前学習
 5.9 DropOut法による過学習の抑制
 5.10 自己符号化器を用いた深層学習による実習

講師紹介

略歴
2005年-2010年3月
 大阪大学産業科学研究所新産業創造物質基盤技術研究センター・特任助手
 (職名改名により2007年より特任助教)
2010年4月-2015年6月
 大阪大学産業科学研究所第1研究部門(情報・量子科学系)・助教
2015年7月〜現在  同 准教授

所属学会
人工知能学会、情報処理学会、電子情報通信学会、進化計算学会、IEEE Computer Society

役職
人工知能学会編集委員、情報処理学会論文誌「数理モデル化と応用」編集委員、
電子情報通信学会和文論文誌D編集委員、同学会人工知能と知識処理専門委員