・PCもしくはタブレット・スマートフォンとネットワーク環境をご準備下さい。
・ご受講にあたり、環境の確認をお願いしております（20Mbbs以上の回線をご用意下さい）。
各ご利用ツール別の、動作確認の上お申し込み下さい。
・開催が近くなりましたら、当日の流れ及び視聴用のURL等をメールにてご連絡致します。開催前日（営業日）の12：00までにメールが届かない場合は必ず弊社までご一報下さい。
・その他、受講に際してのご質問・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＞
Zoomを使用したオンラインセミナーとなります（クリックして展開「▼」）
・ご受講にあたり、環境の確認をお願いしております。
お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
→
確認はこちら
＊Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomでカメラ・マイクが使えない事があります。お手数ですがこれらのツールはいったん閉じてお試し下さい。
→
音声が聞こえない場合の対処例
・Zoomアプリのインストール、Zoomへのサインアップをせずブラウザからの参加も可能です
→
参加方法はこちら
→※一部のブラウザーは音声（音声参加ができない）が聞こえない場合があります、
必ず
テストサイトからチェック下さい。
対応ブラウザーについて（公式）;コンピューターのオーディオに参加に対応してないものは音声が聞こえません
セミナーポイント
■受講者の方へ：演習用PCについて
・本セミナーでは、PC演習を行います。
インストールして頂きたいツールはお申込み完了後にご連絡差し上げます。
・ご持参が難しい場合は、お申込み時に選択欄から『PC貸出』を選択ください。
7,000円 + 税 にて貸出致します。
・PCの貸出は原則として1週間前までにお申し出ください。
■はじめに：
日常的な仕事のなかで「項目数がたくさんあるデータを分類する」「データに紛れ込んだ間違いを探す」といった作業はありませんか．「条件によって分類する」だけなら（データの量が多いと面倒ですが）単純です．でも，そのような単純な条件がわかっておらず，「過去，こうやって分類してきたから，なんとなく」という場合もあるのではないでしょうか．
人工知能の基本的な技術である「機械学習」を使えば，例えば「過去のデータでの分類結果」を機械に学ばせることができます．学習させてしまえば分類作業を自動化できますし，生産性の向上を目指すこともできるでしょう．
人工知能や機械学習は「流行って」います．ただし単なる流行というわけではなく，さまざまな分野での基本技術として今後使われ続けるものでもあります．そのため，機械学習に関わる用語や考え方を業務のなかで見かける機会が，今後ますます多くなると予想されます．
本セミナーでは「自分で機械学習のプログラムを作成してみたいけれど，どこから手をつければいいか，わからない」「外部の業者に開発を委託するにも，何を依頼すればよいのか，わからない」といった機械学習の初学者向けに，ポイントを絞った解説をします．さらに，機械学習の開発現場でも広く利用されているPythonを使い，「データを準備する」「機械に学習させる」「学習した結果を利用する」という一連の流れを体験していただきます．もちろん，機械学習の技術を「きちんと」現場で使えるようになるためには，継続的に学び続ける必要があるでしょう．本セミナーを通して，今後の勉強や業務に役立つ機械学習の基本を身につけてもらうことが狙いです．
■ご講演中のキーワード：
Python，分類問題，サポートベクトルマシン，ランダムフォレスト，クラスタリング，k平均法，混合ガウスモデル
■受講対象者：
・機械学習を学ぶきっかけが欲しい方
・機械学習のプログラムを自分で実際に動かしてみたい方
・まずは簡単なところから業務に機械学習を取り入れてみたい方
その他，機械学習に興味のある方なら，どなたでも受講可能です（業種・業界は問いません）
■必要な予備知識：
・簡単な（Excel操作レベルの）パソコンの使い方（実習のため）
（機械学習については本セミナで解説しますので，予備知識は不要です．Pythonのプログラミングについても本セミナで最低限度の解説をします．ただ，Python以外でもかまいませんのでプログラミングについての予備知識が少しでもあれば，実習を進めやすくなります）
■本セミナーで習得できること：
・機械学習の基本的な考え方
・機械学習に関する継続的勉強のための基礎力
・Pythonと機械学習ライブラリの利用方法の初歩
・データの準備から学習，利用までの流れの体験
★過去、本セミナーを受講された方の声（一例）：
・ハンズオンの分量もちょうどよく、とても参考になりました。
・産と学の違いを意識された講義は印象的でした
・Pythonによるデータ分析の導入としては十分に理解できる内容でした。
・資料が充実しており、復習しやすい点が良い。入門セミナーですが実践的だとも思いました。
・専門用語が多すぎず、とてもわかりやすかったです。
・自分で実際に動かしたい人には入門として向いている講習だと思った。
・復習のための補足メモ・参考書籍が大変参考になります。
・とても理解しやすい講義で、途中に話題や活用例を示して下さってずっと興味を持って聞けました。
・前処理に対する解説が十分にあったため、自分のケースにあわせて使いたいと思います。
・独学で学べる部分は省いて、自走するための最低限の知識やテクニックを教えていただけたのがよかった。
・何の知識もないまま、ただの興味で講義を受けてみましたが、先生の説明がわかりやすく、研修を終えることができました。ありがとうございました。
・入門編としては実践的で、先も見据えてくれたのでとてもありがたかった。
セミナー内容
★再開講となりますので以前のご講演内容や実習の流れについてまとめました。
よろしければご参考ください。→前回の講演・実習内容
1. 分類方法を，機械が学習するということ．
1) 人工知能と機械学習の違いを知る．
2) データをクラスAかクラスBかに分類する． [分類の基本]
3) 機械学習と分類の基本を知る． [線形分類，2クラス分類]
4) 機械学習の考え方を分解してみる．
2. 実習その1
1) プログラミングの世界を，覗いてみる． [プログラミング基礎]
2) Pythonに触ってみる． [Pythonの利用方法，基本的な文法]
3) データの表をPythonで扱う． [numpyの基礎]
4) Excelで作ったデータファイルをPythonで読み込む． [csvファイル]
5) ライブラリ使って機械学習を試してみる． [scikit-learnの基礎]
6) 実際にデータを分類してみる． [線形SVM（サポートベクトルマシン）]
3. 分類問題の，もう一歩踏み込んだ世界．
1) 機械学習の歴史について簡単に知る．
2) 単純に分類できないデータを変換する． [特徴空間，非線形分類]
3) ほかの分類方法を知る． [決定木，ランダムフォレスト]
4) データの前準備をする．[データの標準化]
4. 実習その2
1) 単純に分類できないデータを扱ってみる． [SVM]
2) ほかの分類方法を試してみる． [ランダムフォレスト]
3) データの前処理を試してみる． [データの標準化]
5. 他の用途，他のモデル．
1) データの種類に応じた機械学習を知る． [教師あり学習・教師なし学習]
2) 見た目だけでデータを分類する． [クラスタリング]
3) 用途に応じて方法を使い分ける． [k平均法，混合ガウスモデル]
6. 実習その3
1) クラスタリングを試してみる． [k平均法，混合ガウスモデル]
2) 異常なデータを自動検出してみる． [混合ガウスモデルの応用]
7. 今後のための，準備．
1) 機械学習を次の値の予測に使う．[回帰]
2) 機械の学び過ぎを防ぐ． [過学習]
3) 学習と検証のためにデータを分割する．[訓練データと評価データ，交差検定]
4) 最近話題の技術について知る． [ニューラルネットワーク，深層学習]
5) 性能を発揮するために調整する． [パラメータチューニング]
6) 機械学習を使う上でのポイントを知る．
7) 今後の継続的勉強の準備をする．
【注意事項】
・機械学習の手法については，数学的な詳細を扱わず，基本的な考え方のみを説明します．
・本セミナーの目的は，今後の継続的勉強を念頭におき，機械学習の基本について学ぶことです．そのため基本的な題材に絞って解説・実習を進めます．
最近話題の深層学習（ディープラーニング）については少し触れるだけにとどめ実習はしません．
機械学習を使っていくなかで，必要に応じて利用するものが深層学習です．深層学習はいわば[スポーツカー]．アクセルを踏めば誰にでも走らせることはできますが，いきなり[スポーツカー]を乗りこなすのではなく，基本的な[走り方]を学びましょう．
・Pythonについてのセミナーではありませんので，最低限度の説明しかおこないません．
これは逆に言えば，プログラミングの知識をそれほど必要としないでも，Pythonを使えば機械学習を試すことができる，ということです．
・もちろん，上記の点についても個別に質問があれば（可能な限り）説明をします．
サイトマップ
よくあるお問合せ
リクエスト
セミナー会場へのアクセス
リンク
