☆機械学習の理論的側面のみではなく，Pythonとscikit-learnを用いた実践演習を通して，理解を深めていく！
※オンライン会議アプリZoomを使ったWEBセミナーです。ご自宅や職場のノートPCで受講できます。
１．はじめに
1-1 講師自己紹介
1-2 セミナーの狙い
２．演習環境の確認
2-1 Pythonの実行環境の確認
2-2 各種ライブラリ(NumPy，SciPy，matplotlib，scikit-learn)の実行環境の確認
2-3 統合開発環境Spyderの実行環境の確認
2-4 Pythonの実行方法(インタプリタ，コマンド渡し，統合開発環境)
３．Python入門講座
3-1 Pythonの特徴
3-2 Pythonの基本文法
3-3 コーディング方法(統合開発環境Spyderの使い方含む)
3-4 各種ライブラリ(NumPy，SciPy，matplotlib，scikit-learnなど)の使い方
3-5 機械学習アルゴリズムの実装方法
3-6 サンプルコードを用いた実践演習
3-7 参考書・情報源の紹介
４．機械学習概論
4-1 機械学習の概要
4-2 三大学習法(教師あり学習，教師なし学習，強化学習)
4-3 機械学習データセットの紹介
4-4 機械学習におけるデータの著作権
4-5 専門書・参考書の紹介
５．教師あり学習
5-1 教師あり学習の概要
5-2 クラス分類と回帰
5-3 過剰適合(過学習)と適合不足(学習不足)
5-4 モデル複雑度と精度
5-5 多クラス分類
5-6 各種教師あり学習アルゴリズムの基礎理論と実践演習
5-6-1 k-最近傍法(クラス分類，回帰)
5-6-2 線形モデル(線形回帰，Ridge回帰，Lasso回帰，ロジスティック回帰)
5-6-3 サポートベクトルマシン(線形モデル，非線形モデル)
5-6-4 決定木
5-6-5 アンサンブル学習(ランダムフォレスト，アダブースト)
5-7 クラス分類の性能指標
６．教師なし学習
6-1 教師なし学習の概要
6-2 次元削減と特徴量抽出
6-3 各種教師なし学習アルゴリズムの基礎理論と実践演習
6-3-1 主成分分析(次元削減)
6-3-2 k-平均法(クラスタリング)
6-3-3 凝集型クラスタリング
6-3-4 DBSCAN(クラスタリング)
6-4 クラスタリングの性能指標
７．実装上の注意事項
7-1 データの前処理(スケール変換など)
7-2 テスト誤差の最小化(k分割交差検証)
7-3 ハイパパラメータの最適化(グリッドサーチ，ランダムサーチ)
7-4 実データの読み込み方法
８．まとめと質疑応答
◆注意事項：
本セミナーでは，演習を行いますので，以下の条件を満たしたノートパソコンを準備してください．
1）プラットフォームは，Windows，Linux，MacOSを問いません．
2）演習環境を統一したいので，事前にMinicondaを用いて，Python 3.x(バージョン3系)をインストールしておいてください．
3）Minicondaを利用すると，演習で必要な標準・外部ライブラリがほとんど自動インストールされます．ただし，統合開発環境Spyder，機械学習ライブラリscikit-learn，および可視化ライブラリseabornは，追加インストールする必要があります．これらのインストール方法は，Windowsの場合，Anaconda Prompt，macOSやLinuxの場合，ターミナルを開き，コマンドラインより下記のコマンドを入力して個別にインストールしてください．
conda install spyder
conda install scikit-learn
conda install seaborn
4）演習で使用するサンプルコードは，セミナー開催前に配布いたします．
5）教師あり学習，教師なし学習とも「各種学習アルゴリズムの基礎理論と実践演習」では，当日の進行状況に応じて，すべての手法が取り上げられない可能性があります．