☆はじめて学ぶ方にも最適な講座!
基礎から具体的な実践方法をわかりやすく解説する!
Zoomを使ったWEBセミナーです。在宅、会社にいながらセミナーを受けられます。
1.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
1-1 データの定義
1-2 扱うデータの特性を把握する
(1)時間軸/場所の考慮
(2)データを発生させるもの
1-3 データの前処理
(1)データの抜け、異常値への対応
(2)データの量を調整する(増やす/減らす)
(3)データの次元を削減する
1-4 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?
(1)必要となるデータの量
(2)データクレジング
(3)フレームワークでの処理
1-5 サンプルデータの説明
(1)デモで使用するサンプルデータの説明
2.機械学習/ディープラーニングの数理・確率論~対象物を数値情報へ変換する~
2-1 分布
2-2 次元とベクトル
2-3 画像を数値情報へ変換する
2-4 言語を数値情報へ変換する
2-5 音を数値情報へ変換する
2-6 状態を数値情報へ変換する
3.機械学習の基礎と実践
3-1 機械学習の基本
(1)データがモデルをつくる
(2)学習結果をどう受け取るべきか
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)強化学習の基本
3-3 結果の分類
(1)回帰
(2)クラス分類
3-4 Windowsで機械学習環境をオープンソースにて構築
(1)使用可能なオープンソース一覧
(2)Pythonの設定(Windows7端末の例)
3-5 サンプルデータを機械学習で処理
(1)何を導き出したいか?の定義
(2)使用できるモデルは?
(3)Pythonを実行し結果を得る
3-6 機械学習のプログラム解説
4.ディープラーニングの基礎と実践
4-1 機械学習とディープラーニングの違いは?
(1)ニューラルネットワークとは
(2)生じた誤差の吸収
(3)特微量の抽出/学習の方法
4-2 ディープラーニングを分類し、その特徴を把握する
(1)畳み込みニューラルネットワーク CNN(Convolutional Neural Network)
(2)再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
(3)強化学習 (Deep Q-learning)
4-3 Windowsでディープラーニング環境をオープンソースにて構築
(1)TensorFlow
(2)Chainer
4-4 サンプルデータをディープラーニングで処理
(1)TensorFlowで動かし結果を得る
(2)Chainerで動かし結果を得る
4-5 ディープラーニングのプログラム解説
(1)TensorFlowの解説
(2)Chainerの解説
4-6 解析結果の考察とチューニング
(1)TensorFlow
(2)Chainer
4-7 精度を上げるためにいかにパラメータを最適化するか?
4-8 過学習の判断基準
4-9 その他、実践にあたり注意すべきこと
5.このセミナーだけで終わらせないために
5-1 twitter/ブログを通じた情報の収集
5-2 より高速な環境を求める場合