■AI活用人材育成講座■『機械学習（ディープラーニング）の基礎・活用・実践<全3回>』【LIVE配信】

＜見逃し配信付＞

＜第1回＞『Python基礎と機械学習基礎』
開催日：6月10日(月)10:00-17:00

１．機械学習とは
　1-1　概要
　1-2　学習方法による分類
　1-3　活用する箇所

２．機械学習のためのデータ準備
　2-1　データとは
　2-2　画像・言語、音のデータ化

３．python基礎
　3-1　環境構築
　　(1) PCでの環境構築
　　(2) クラウドの環境利用（Google Colab）
　3-2　文法基礎
　3-3　ライブラリの活用
　3-4　フレームワークの活用

４．機械学習を試す
　4-1　機械学習のサンプル1(数値データ解析)
　4-2　機械学習のサンプル1(画像データ分類)

　【質疑応答】

＜第2回＞『ディープラーニングと機械学習プロジェクトの進め方』
開催日：7月8日(月)10:00-17:00

１．ディープラーニングの基礎
　1-1　機械学習とディープラーニングの違いは？
　　(1) ディープニューラルネットワークとは
　　(2) 把握すべきディープニューラルネットワークの特性
　1-2　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) その他の手法

２．機械学習プロジェクト進め方
　2-1　データ準備
　2-2　一般的なデータ前処理
　2-3　特徴量エンジニアリング
　2-4　手法の定義
　2-5　パラメータ調整
　　(1) ハイパーパラメータとは
　　(2) ハイパーパラメータの自動調整（optunaの活用）
　2-6　データ量に関する考察
　2-7　基盤モデルと転移学習

　【質疑応答】

＜第3回＞『機械学習 実践編～分類,時系列解析,異常検知,生成AI～』
開催日：8月5日(月)10:00-17:00

１．画像分類/物体検出
　1-1　画像での特徴量エンジニアリング
　1-2　分類モデル
　1-3　物体検出
　1-4　サンプルデータを使用した物体検出

２．時系列データ解析
　2-1　時系列データの定義
　2-2　自己相関と変動
　2-3　ARIMAモデル
　2-4　RNNモデル
　2-5　サンプルデータを使用した時系列予測

３．異常検知への応用
　3-1　異常検知の基本
　3-2　AutoEncoder　
　3-3　RNN＋AutoEncoder
　3-4　サンプルデータを使用した異常検知

４．生成AI
　4-1　生成AIの基本
　4-2　著作権の注意
　4-3　Transeformer
　4-4　Diffusion model（拡散モデル）
　4-5　サンプルデータを使用したLLMの転移学習

　【質疑応答】