Pythonではじめる機械学習入門講座【LIVE配信】

～PC実習付き～

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)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(ハードマージン型線形モデル，ソフトマージョン型線形モデル，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)
　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パソコン(デスクトップ型，ノート型いずれも可)をセミナー当日までに準備してください．

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）本セミナーでは，Pythonの統合開発環境(IDE)として，Spyderを用いて説明を行いますが，使い慣れている開発環境(例えばJupyter Notebook，Jupyter Labなど)がある方はそちらを使っていただいて構いません．

6) 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．