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