ハンズオンで学ぶPythonによる機械学習

〜基礎からライブラリの活用、実装に向けた入門知識まで〜

＜Zoomによるオンラインセミナー・見逃し配信あり＞

講師

愛知県立大学　情報科学部　情報科学科　教授　小林 邦和 先生

講師紹介

■ご略歴：
　山口大学工学部助手，同助教，愛知県立大学情報科学部准教授を経て，2017年4月より現職．現在，愛知県立大学次世代ロボット研究所副所長を兼務．この間，ヒューストン大学工学部医用生体工学科の客員研究員を兼任．博士（工学）．

■ご専門および得意な分野・研究：
機械学習（人工知能），知能ロボティクス，ソフトコンピューティング

■本テーマ関連学協会でのご活動：
　米国電気電子学会（IEEE），電子情報通信学会，電気学会，人工知能学会，計測自動制御学会，ロボカップ日本委員会の各会員．
電気学会技術シーズ創出に向けた機械学習協同研究委員会委員長（2012〜2014年），電気学会学習アルゴリズムの高度化を指向した機械学習技術協同研究委員会委員長（2014〜2016年），ICAROB国際プログラム委員会委員（2014〜2019年）などを歴任．
現在，Journal of Robotics, Networking and Artificial Life編集委員（2014年〜），電気学会論文誌特集号編修小委員会委員（2014年〜），電気学会システム技術委員会1号委員（2017年〜），ICAROB国際組織委員会委員（2019年〜），あいちロボカップAP2020開催委員会競技専門部会部会員（2019年〜），ロボカップ日本委員会理事（2019年〜）などを務める．

日時・会場・受講料

●日時
2022年6月9日（木）　13:00-17:00　＊途中、小休憩を挟みます。
2022年6月10日（金）　10:00-16:00　＊途中、お昼休みや小休憩を挟みます。

●受講料
　【オンライン：見逃し視聴なし】：1名60,500円(税込（消費税10％）、資料付)
　＊1社2名以上同時申込の場合、1名につき49,500円

　【オンライン：見逃し視聴あり】：1名67,100円(税込（消費税10％）、資料付)
　＊1社2名以上同時申込の場合、1名につき56,100円

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

■ セミナーお申込手順からセミナー当日の主な流れ　→

配布資料・講師への質問等について

●配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
　（開催1週前〜前日までには送付致します）。
＊準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
（土、日、祝日は営業日としてカウント致しません。）

●当日、可能な範囲で質疑応答も対応致します。
（全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
●本講座で使用する資料や配信動画は著作物であり
　無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。
●受講に際しご質問・要望などございましたら、下記メールにてお問い合わせ下さい。 req@johokiko.co.jp

■本セミナーではハンズオンでの演習を行います。
　　以下の条件を満たしたPCのご準備をお願い致します。（デスクトップ／ノートどちらでもOKです）

1）PCのプラットフォーム
　Windows／Linux／MacOS問いません（講師はWindowsで演習を行う予定です）。
　Anacondaが動作するスペックのPCであれば問題ありません。

2）事前にAnacondaのダウンロード／インストールのお願い
　本セミナーでは、Anacondaを利用したハンズオン演習を行います。
　事前に下記よりAnacondaのダウンロードおよびインストールをお願い致します。
　https://www.anaconda.com/products/individual
　※ダウンロードの際は、Python 3.x（ver.3系）をお願い致します。

※本講座ではAnacondaの利用を推奨致しますが、難しい方は「Miniconda」を用いての演習も可能です。
　「Miniconda」ご利用の方は、お申込みフォームの『備考欄』にその旨ご記入ください。
　開催4、5日前までに事前準備等をご案内致します。

*** Anacondaの利用が難しい方へ ***
Anacondaは2020年4月に利用規約の変更があり、
無償提供は非営利目的や小規模事業所(従業員200名未満)の利用に限定されることとなりました。
従いまして、商用利用の場合はAnacondaの有償版を利用するか、無償利用可能なMinicondaを利用してください。
*****************************

3）事前にmglearnのインストール
　2）でAnacondaをインストール後、mglearnのインストールもお願いします。

（インストール方法）
　WindowsOS：Anacondaのメニューの中からanaconda promptを起動し「pip install mglearn」と入力しインストール
　LinuxやmacOS：ターミナルを開き「pip install mglearn」と入力しインストール

4）演習で使用するサンプルコードを開催4、5日前ごろまでに資料と一緒に送付予定です。
　その際、動作確認も案内致しますので、上記ご設定後、事前にご確認お願い致します。

セミナーポイント

■はじめに：
　機械学習の入門講座(セミナー)は巷にたくさんありますが、理論と実践が揃って、はじめて現場で使える技術になります。本セミナーでは、機械学習の基礎理論のみではなく、コンピュータを用いた実践演習を通して、理解を深めていきます。同時に実践演習では、最近様々な分野で、注目を集めているコンピュータ言語Pythonと機械学習ライブラリscikit-learnを用います。従って、純粋に最近流行りのPythonを学びたい人から、業務でデータ処理・解析をしたい人まで、幅広い方を対象としています。特に、日々の業務で大量のデータを扱っていて、そのデータの山から知識を抽出したいと思っている方が最適な受講対象者となります。Pythonでコーディングした経験がない人も歓迎しますが、実践演習を通して学んでいきますので、他の言語によるプログラミングや、コンピュータ(アプリケーションソフトウェア)によるデータ処理の経験がある方が望ましいです。

■受講対象者：
・機械学習の基礎理論のみではなく、コンピュータを用いた実践演習を通して、機械学習の理解を深め実務で使用したい方
・コンピュータ言語Pythonのコーディング方法や機械学習ライブラリscikit-learnの活用方法を学びたい方
・日々大量のデータを扱っていて、そのデータの山から知識を抽出したい方

■必要な予備知識：
・高校卒業レベルの数学の知識
・他のコンピュータ言語によるプログラミングの経験、またはコンピュータ(アプリケーションソフトウェア)によるデータ処理の経験

■本セミナーで習得できること：
・Pythonの基本的なコーディング方法
・Pythonの各種ライブラリの活用方法
・代表的な機械学習法(教師あり学習、教師なし学習)の基礎理論
・機械学習ライブラリscikit-learnを活用した機械学習アルゴリズムの実装方法
・機械学習によるデータ処理・分析・可視化方法
など

セミナー内容

１．はじめに
　1）講師自己紹介
　2）セミナーの狙い

２．演習環境の確認
　1）Pythonの実行環境の確認（ディストリビューションAnaconda利用）
　2）各種ライブラリ（NumPy、SciPy、matplotlib、scikit-learn、mglearn）の実行環境の確認
　3）統合開発環境Spyderの実行環境の確認
　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
　1）Pythonの特徴
　2）Pythonの基本文法
　3）コーディング方法（統合開発環境Spyderの使い方含む）
　4）各種ライブラリ（NumPy、SciPy、matplotlib、scikit-learn、mglearnなど）の使い方
　5）機械学習アルゴリズムの実装方法
　6）サンプルコードを用いた実践演習
　7）参考書・情報源の紹介

４．機械学習概論
　1）機械学習の概要
　2）三大学習法（教師あり学習、教師なし学習、強化学習）
　3）機械学習データセットの紹介
　4）機械学習におけるデータの著作権
　5）専門書・参考書の紹介

５．教師あり学習
　1）教師あり学習の概要
　2）クラス分類と回帰
　3）過剰適合と適合不足
　4）モデル複雑度と精度
　5）多クラス分類・多ラベル分類
　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
　　a）k-最近傍法（クラス分類、回帰）
　　b）線形モデル（線形回帰、Ridge回帰、Lasso回帰、ロジスティック回帰）
　　c）サポートベクトルマシン（線形モデル、ソフトマージン、非線形モデル）
　　d）決定木
　　e）アンサンブル学習（ランダムフォレスト、アダブート）

６．教師なし学習
　1）教師なし学習の概要
　2）次元削減と特徴量抽出
　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
　　a）主成分分析（次元削減）
　　b）k-平均法（クラスタリング）
　　c）凝集型クラスタリング
　　d）DBSCAN（クラスタリング）

７．実装上の注意事項
　1）データの前処理（スケール変換など）
　2）テスト誤差の最小化（交差検証）
　3）ハイパパラメータの最適化（グリッドサーチ、ランダムサーチなど）
　4）実データの読み込み方法

８．まとめと質疑応答