1.機械学習/ディープラーニング概観
1)データ分析と統計
2.機械学習/ディープラーニングを行う際に必要なデータ処理の基本
1)データの定義
2)扱うデータの特性を把握する
a) 時間軸/場所の考慮
b) データを発生させるもの
3)時系列データ
4)データの前処理
a) データの抜け、異常値への対応
b) データの量を調整する(増やす/減らす)
c) データの次元を削減する
5)ディープラーニングの精度を上げるためにどのようなデータを用意するか?
a) 必要となるデータの量
b) データクレジング
c) フレームワークでの処理
d) データの正規化
6)サンプルデータの説明
a) デモで使用するサンプルデータの説明
3. 機械学習/ディープラーニングの前に
~対象物を数値情報へ変換する~
1)画像を数値情報へ変換する
2)言語を数値情報へ変換する
3)音を数値情報へ変換する
4.機械学習の基礎と実践
1)機械学習の基本
a) データがモデルをつくる
2)学習の種類
a) 教師あり学習の基本
b) 教師なし学習の基本
3)結果の分類
a) 回帰
b) クラス分類
4)Windowsで機械学習環境をオープンソースにて構築
a) 使用可能なオープンソース一覧
b) Pythonの設定(Windows10端末の例)
5)サンプルデータを機械学習で処理
a) Pythonを実行し結果を得る
6)機械学習のプログラム解説
5.ディープラーニングの基礎と実践
1)機械学習とディープラーニングの違いは?
a) ディープニューラルネットワークとは
b) 把握すべきディープニューラルネットワークの特性
2)ディープラーニングの各手法を把握する
a) 畳み込みニューラルネットワーク CNN(Convolutional Neural Network)
b) 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
3)ディープラーニングの各手法を実践する
a) 画像分類
b) 音データによる異常検知
c) 言語処理によるトピック分類
6.このセミナーだけで終わらせないために
1)twitter/ブログを通じた情報の収集
講師紹介
1990年 3月 岡山大学 文学部卒業
同年 4月 応用技術株式会社 入社
多くのWEBシステム構築に携わる
近年はデータマイニング技術の応用に携わる
一般企業向けの機械学習・ディープラーニングセミナー開催多数
2019年 4月 株式会社ネクステージ AIアナリストとして勤務