◆動画視聴形式のeラーニング講座です。受講可能期間は4ヵ月間となります。
◇好きな場所で！好きなタイミングで！
◆受講可能期間は4ヵ月間、自分のペースでじっくり学べます！
機械学習のデータ分析の基礎や前処理を、その概念から丁寧にお伝えします！
◎「機械学習とは」「データ準備と前処理」「モデル学習／ハイパーパラメータ」
「モデルの性能改善」「モデルの評価」「機械学習のビジネス適用」
⇒6つのパートによる、機械学習のトータルワークフロー解説！
講師
（株）日立製作所 研究開発グループ 主任研究員 鴨志田 亮太 氏
必ずお申込み前にＰＣの動作確認をお願いします。
■ 必ず以下の動作確認ページ①②より動作確認をしてからお申込みください。
動作確認ページ①へ→
動作確認ページ②へ→
サンプルページ内の動画の視聴とテストの回答をお試しいただき、正常に動作するか各自にてご確認ください。
※ページ内の動画再生画面が開いているにもかかわらず動画が再生されない場合、ネットワークセキュリティやVPN接続等の影響が考えられます。お手数ですが、お手元のデバイス設定のご確認お願い致します。尚、動作確認やシステム設定に関するサポートは弊社では行っておりませんのでご了承ください。
※一部の動画について、収録環境の都合上、若干、周囲の環境音が聞こえる場合がございます。予めご了承ください。
受講開始日・受講料
●受講開始日(申込〆切)：下記よりご選択いただけます。
毎月10日（前月月末の申込まで）
毎月25日（当月15日の申込まで）
※土日・祝日のお申込は翌営業日扱いとなります。
●受講期間：4ヵ月間
※期間延長の場合、1ヶ月あたり4,400円(税込（消費税10％））
（延長は1回限り、最長で6か月まで。終了前日までにお申し出ください。）
●受講料：受講人数に順じます。
1～9名 / 1名あたり 25,300円(税込（消費税10％）、資料付)
10名以上 / 1名あたり 19,800円(税込（消費税10％）、資料付)
30名以上 / 1名あたり 14,300円(税込（消費税10％）、資料付)
100名以上 / joho-lms@johokiko.co.jpまでお問い合わせください。
※4名以上お申込みの場合、受講者のご所属・お名前・ご連絡先を
joho-lms@johokiko.co.jpまでお知らせください。
※学校法人割引：学生、教員のご参加は受講料50％割引。
詳細は「申込要領・手順」を確認ください。
●管理者を設定する場合：4,400円(税込（消費税10％））
※管理者ご自身が受講する場合、別途受講料がかかります。
★注意事項：
スムーズにご受講いただくために、必ずご一読ください (下記をクリックすると別タブが開きます)。
⇒ ■eラーニング講座申込要領・手順、■受講の流れ
※本eラーニング講座で使用される資料や配信動画は著作物であり、録音・録画・複写・転載・配布・上映・販売等を禁止いたします。
関連のe-ラーニング
『AIを業務に活用するためにやるべき10のこと』講座のポイント
〇機械学習の元になる、「データを分析する」とはそもそもどういうこと？
〇データ前処理
・データ形式
・特徴量／説明変数の主な分類
・カテゴリーデータの数値データへの変換：ダミー変数
・特徴量／説明変数が多い時の対処法
・欠損値の扱い方
・データの正規化：なぜ行う必要がある？そのデータと目的で本当に必要？
・データをどの位集めればよいか？一つの目安
〇評価
・分類／識別モデルの評価基準：精度／誤差率
・モデルの精度99％→高性能のモデルと呼べるか？
・混同行列：精度以外の評価基準
・人が設定する閾値によってモデルの性能評価が変わる場合：ROC曲線とAUC
〇モデル学習
・性能の良いモデルを学習するにはハイパーパラメータの調整が重要
・ハイパーパラメータとは？最適なハイパーパラメータはどのように決めればよいか？
・グリッドリサーチのコツ、事例
・過学習の例と過学習しやすいケース／過学習対策と様々な交差検証
〇モデルの性能改善
・データを準備、前処理を行い、モデル学習させて評価したところ、不十分な結果に→さてどうをする？
・モデルの状態を確認する：学習曲線
・ハイバイアス／ハイバリアンスの場合のモデル性能改善策
〇機械学習をビジネスに適用するための留意点
・分析結果を現場や責任者に受け入れてもらうためには？
・機械学習を実行する前に確認しておきたいこと
＜講座サンプル動画＞
※動画を再生するには、videoタグをサポートしたブラウザが必要です。
※本動画は講師の著作物となります。
講座のプログラム
総動画時間：1時間34分
★内容項目に関する短時間の動画を「手軽に」「期間内にいつでも／何度でも」視聴！
★簡単な内容ポイントのテストで理解度チェックもできる！
1. 機械学習とは
1.1 人力ルールベースとの違い
1.2 人工知能(AI)とディープラーニングの位置づけ
1.3 機械学習の分類
1.4 データを分析するとは
2. データについて
2.1 データの形式
2.2 テーブルデータ
2.3 特徴量(説明変数)の分類
2.4 カテゴリ変数の扱い方
2.5 説明変数の数が多いとき
2.6 欠損値の扱い方
2.7 データの正規化
2.8 データはどのくらい必要？
3. 評価
3.1 回帰モデルの評価基準
3.2 分類/識別モデルの評価基準
3.3 精度以外の評価基準
3.4 ROC曲線とAUC
4. モデルの学習
4.1 ハイパーパラメータ
4.2 グリッドサーチ
4.3 過学習
4.4 過学習対策
4.5 過学習の確認
4.6 交差検証
4.7 学習／検証／テスト
4.8 さまざまな交差検証
5. モデルの性能改善
5.1 機械学習のワークフロー
5.2 性能改善のために何をすべきか
5.3 モデルを学習するとは(再掲)
5.4 思考実験
5.5 バイアスとバリアンス
5.6 学習曲線(Learning curve)
5.7 モデルの性能改善策
6. ビジネスへの適用
6.1 分析結果を受け入れてもらうためには
6.2 機械学習の前にやることはないか
6.3 長期運用時の課題
6.4 人工知能は公平か
6.5 真実はいつもひとつ？
6.6 機械学習技術の活用
6.7 推薦文献
