機械学習によるデータ分析の基礎 LMS

◆動画視聴形式のe-ラーニング講座です。

◇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！

講師紹介

（株）日立製作所 研究開発グループ　主任研究員 鴨志田 亮太 先生

受講に当たっての留意点

※受講期間終了後はIDを削除致しますので予めご了承下さい。
※講師への質問等はできませんので予めご了承下さい。

①受講開始日までに受講に必要なID、パスワードとURLをe-mailにてご連絡します。

【ご注意】
本講座で使用される資料は著作物であり、複写・転載・配布・販売を禁止いたします。また、一つのIDにつき使用できるのは1名であり、一つのIDを複数名で使用することを禁止いたします。

②※必ず以下のURLより動作確認をしてからお申込み下さい
動作確認ページへ→
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。動作環境以外のPCで受講すると、正常に受講できない可能性があります。 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、PC設定等のお問い合わせはご遠慮ください。

③受講の流れ
・講座開始日から、コンテンツの動画またはPDFを視聴・閲覧できます。
・Chapterの順番に沿って視聴・閲覧をしてください。前のChapterを終了せずに、次のChapterへは進めません。
・確認テストは、Chapter内の動画は最後まで視聴、PDFは閲覧しないとテストへ進めません。なお、回答について講師による添削はありません。
・全てのChapterを終了し、最終テストで一定の基準を上回った方には、修了証（画面上で表示）を発行いたします。

※説明動画　→受講の流れ

受講開始日・受講料

●受講開始日(申込〆切)：
　・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

　＊初回開講は2019年11月25日です

●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　1～9名　1名あたり　25,300円(税込（消費税10％）、資料付)
　　　　　10名以上で1名あたり　19,800円(税込（消費税10％）、資料付)
　　　　　30名以上で1名あたり　14,300円(税込（消費税10％）、資料付)
　　　　　100名以上でご参加の場合はお問い合わせください。
　　　　　4名以上お申込みの場合、申込みフォームの備考に記入頂くか、
　　　　　joho-lms@johokiko.co.jpまで申込者情報をご連絡下さい。

＊学校法人割引；学生、教員のご参加は受講料50％割引。→「LMS申込要領・手順」を確認下さい。

●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。

　●本講座で使用される資料は著作物であり、複写・転載・配布・販売を禁止いたします。
　●「LMS申込要領・手順」のご確認とPCの動作確認をお願いします。

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

講座内容

★総視聴時間：約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