◆本講座は3ヶ月コースの通信教育講座です。
開講日から弊社より毎月(計3回)テキストを郵送します。
◆テキストに付属する演習問題に解答していただければ、その解答用紙を講師が添削します。
模範解答と一緒に添削が終わった解答用紙を弊社からご返送します。
解答用紙の送付・返送やお問い合わせは基本的に全てEメールでやり取りさせていただきます。
========== 第1講:機械学習とPythonの基礎 ==========
≪趣旨≫
第1講では、まず1章で機械学習の概要について説明する。その後、2章でPythonの基礎について学び、3章では第2講、及び第3講で実施する機械学習の各手法の演習に備えて、演習環境の構築を行う。
≪プログラム≫
1章 機械学習
1.1 定義
1.2 分類
1.2.1 教師あり学習
1.2.2 教師なし学習
1.2.3 強化学習
2章 Python
2.1 概要
2.2 どの言語を学ぶか
2.3 Pythonの優位性
2.4 Pythonのバージョン
2.5 文法基礎
2.5.1 変数
2.5.2 データ型
2.5.3 文字列
2.5.4 リスト
2.5.5 タプル
2.5.6 辞書
2.5.7 型変換
2.5.8 多重代入
2.5.9 ブロック
2.5.10 コメント
2.5.11 長文
2.5.12 算術演算子
2.5.13 複合演算子
2.5.14 ビット演算子
2.5.15 関係式
2.5.16 論理式
2.5.17 条件分岐
2.5.18 繰り返し
2.5.19 関数
2.5.20 スコープ
3章 演習環境の構築
3.1 概要
3.2 インストール(Python)
3.3 実行方法(Python)
3.4 ライブラリの使い方
3.4.1 インストール(外部ライブラリ)
3.4.2 標準ライブラリ
3.4.3 NumPy
3.4.4 Matplotlib
3.4.5 scikit-learn
3.5 データセット
4章 参考文献
【演習問題】
========== 第2講:教師あり学習 ==========
≪趣旨≫
第2講では、機械学習の三大学習(教師あり学習、教師なし学習、強化学習)の中で、教師あり学習を取り上げ、理論と演習を通して、理解を深めていく。まず1章で、教師あり学習の概要について説明する。その後、教師あり学習の手法として、k最近傍法(2章)、線形モデル(3章)、サポートベクトルマシン(4章)の3つを取り上げ、解説する。同時に、Pythonを用いた演習を通して、理解を深める。
≪プログラム≫
1章 概要
2章 k最近傍法
2.1 クラス分類への適用
2.2 回帰への適用
2.3 k最近傍法の特徴
3章 線形モデル
3.1 回帰への適用
3.2 クラス分類への適用
3.3 線形モデルの特徴
4章 サポートベクトルマシン
4.1 線形モデル
4.2 非線形モデル
4.3 サポートベクトルマシンの特徴
5章 参考文献
【演習問題】
========== 第3講:教師なし学習 ==========
≪趣旨≫
第3講では、機械学習の三大学習(教師あり学習、教師なし学習、強化学習)の中で、教師なし学習を取り上げ、理論と演習を通して、理解を深めていく。まず1章で、教師なし学習の概要について説明する。その後、教師なし学習の手法として、主成分分析(2章)、k平均法(3章)、凝集型クラスタリング(4章)、DBSCAN(5章)の4つを取り挙げ解説する。さらに、データの前処理(6章)やデータの読み込み(7章)について説明する。同時に、Pythonを用いた演習を通して、理解を深める。
≪プログラム≫
1章 概要
2章 主成分分析
3章 k平均法
4章 凝集型クラスタリング
5章 DBSCAN
6章 データの前処理
7章 データの読み込み
8章 参考文献
【演習問題】