データ処理・機械学習・ディープラーニングを理解し実務に役立てるための
フレームワークによる機械学習および
ディープラーニング基礎実践(PC演習つき)【WEB受講可能】

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,画像・言語・音の情報の数値情報への変換,機械学習の基礎と実践,ディープラーニングの基礎と実践について,演習を交え分かりやすく解説する特別セミナー!!
講師
株式会社LINK.A(リンクドットエイ) 代表取締役 太田桂吾 先生
日時
2021/12/1(水)10:00〜17:00
会場

連合会館 (東京・お茶の水)

会場案内
受講料 (消費税等込み)1名:49,500円 同一セミナー同一企業同時複数人数申込みの場合 1名:44,000円
講師
株式会社LINK.A(リンクドットエイ) 代表取締役 太田桂吾 先生
日時
2021/12/1(水)10:00〜17:00
会場

連合会館 (東京・お茶の水)

会場案内
受講料 (消費税等込み)1名:49,500円 同一セミナー同一企業同時複数人数申込みの場合 1名:44,000円
受講形式
会場・WEB

受講対象
企業(製造業)で機械学習・ディープラーニングを実施してみたい方

予備知識
特に必要なし
(プログラムの経験があると望ましい)


習得知識
1)機械学習・ディープラーニングを用いた課題解決のヒントが習得できる
2)フレームワークを活用した機械学習・ディープラーニングの活用方法が身につく

講師の言葉
 講師は専門の研究者ではなく、システム開発者なので、とにかく実践で使えることを第一に考えています。前半で、機械学習・ディープラーニングを概観・整理します。データ分析の未経験者でもわかるように可能な限り数式を排して説明します。
 また、後半はフレームワーク(pytorch、optuna等)を使用し実際にプログラムを動かしながら説明します。この講座を通じて、機械学習・ディープラーニングの全体像を理解し、業務課題の解決に役立ていただければと思います。

プログラム

1.統計と機械学習/ディープラーニング
 1.1 ベクトルとは
 1.2 統計処理
 1.3 機械学習と統計

2.様々なデータのベクトル化
 2.1 画像
 2.2 音・振動
 2.2 言語

3.ディープラーニング
 3.1 ディープラーニングとは
   1)パーセプトロン
   2)ニューラルネットワーク
   3)ディープニューラルネットワーク
 3.2 学習の種類
   1)教師あり学習の基本
   2)教師なし学習の基本
 3.3 結果の分類
   1)回帰
   2)クラス分類

4.環境の構築
 4.1 Python環境
   1)Anaconda
    a. Anaconda ダウンロード
    b. Anaconda インストール方法と注意事項
    c. python起動方法(コマンドライン・jupyterNotebook)
   2)pytorch
    a. pytorch インストール方法と注意事項
    b. pytorchの概要
 4.2 開発ツール
   1)Visual Stduio Code
    a. Visual Stduio Code インストール方法と注意事項
    b. python環境の起動
    c. 便利な使用方法(デバッグ等の方法)
   2)Jupyter Notebook
    a. Jupyter Notebook 個別のインストール方法と注意事項
    b. python環境の起動
    c. 便利な使用方法()
   3)その他
    a. 様々なクラウドツールの活用(データオーギュメンテーション、学習)

5.フレームワークによる実践
 5.1 画像分類
   1)データの準備
    a. 画像とラベルの準備・関連付け
    b. データオーギュメンテーションの手法
   2)分類の実施
    a. pytorchによるニューラルネットネットワークモデルの選択
    b. pytorchによるパラメータの選定
   3)ポイントと活用
    a. 過学習のチェック
    b. 精度を上げるために必要なこと(データに戻る)
 5.2 物体検出
   1)データの準備
    a. アノテーション手法
    b. データオーギュメンテーションの手法
   2)検出の実施
    a. yolo5(pytorch使用)の概要と環境
    b. yolo5(pytorch使用)のパラメータの選定
    c. パラメータによる精度の変化
   3)ポイントと活用
    a. 精度を上げるために必要なこと(アノテーションの精度)
    b. その他の物体検出手法
 5.3 音分類
   1)データの準備
    a. 音データからのデータ切り出し(周波数特性データ)
    b. データオーギュメンテーションの手法
   2)分類の実施
    a. pytorchによるLSTMの構築
    b. LSTMのパラメータの選定
    c. パラメータによる精度の変化
   3)ポイントと活用
    a. LSTMを利用した異常検知への活用
    b. 言語データへの活用

6.さらに実践
 6.1 パラメータの自動探索
   1)Optunaの活用
   2)実践
   3)ポイント

7.このセミナーだけで終わらせないために

質疑・応答

講師紹介
略歴
1990年  岡山大学 卒業
同年    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  株式会社ネクステージ AIアナリストとして活躍
現在は、独立しシステム開発を中心に活動中