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，実運用，
ディープラーニングの基本的考え方と実運用の指針について，Pythonを用いたＰＣ実習を交えて解説する特別セミナー！！
- 講師
大阪大学 産業科学研究所第1研究部門（情報・量子科学系） 准教授 博士（情報科学）福井 健一 先生
- 日時
- 会場
- 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） 4)scikit-learnおよびKerasの利用方法
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） （Windows 7, 8, 10, Mac OSX：32bit PCには対応していません。64bit PCをご持参願います。）
使用するソフトウェアの入手方法
Python 3.6, scikit-learn 0.19，Keras 2.1.5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/ ・scikit-learnはAnacondaに含まれています． (Windowsの場合) Anacondaをインストール後，以下の手順によりtensorflowとkerasをインストール 1. Anaconda Navigatorを起動 2. Anaconda Navigatorの画面からEnvironmentsを選択 3. “installed” を”All”に変更 4. Search Packagesの検索窓から”tensorflow”と入力 5. パッケージ一覧の”tensorflow”にチェックを入れる 6. 右下の”Apply”をクリックしてインストールを実行 上記の手順の”tensorflow”を”keras”に変更してkerasもインストールできます。 （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 keras
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。 演習ではPythonとscikit-learn（機械学習ライブラリ），Keras（ディープラーニングライブラリ）の 実装例を示します。
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）：線形識別モデル 2.1 識別モデル 2.2 ロジスティック回帰概要 2.3 ロジスティック回帰の導出 2.4 ロジスティック回帰の学習 2.5 確率的最急勾配法 2.6 正則化 2.7 ロジスティック回帰を用いた実習 3. 識別（２）：サポートベクトルマシン 3.1 サポートベクトルマシンとは 3.2 マージン最大化のための定式化 3.3 マージン最大化とする識別面の計算 3.4 ソフトマージン 3.5 カーネル関数 3.6 簡単なカーネル関数の例 3.7 入れ子交差検証によるハイパーパラメータ調整 3.8 サポートベクトルマシンを用いた実習 4. 識別（３）：パーセプトロンから深層学習まで 4.1 単純パーセプトロン 4.2 誤り訂正学習 4.3 最小二乗法による学習 4.4 多層ニューラルネットワーク 4.5 逆誤差伝搬法による学習 4.6 深層学習とは 4.6.1 従来の識別学習との違い 4.6.2 深層学習の分類 4.6.3 最近の応用例 4.7 多階層ニューラルネットワークの学習における問題 4.8 自己符号化器（AutoEncoder）による事前学習 4.9 DropOut法による過学習の抑制 4.10 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 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