～ Pythonプログラミングと特徴量探索、機械学習のモデル作成と実装法、画像からの異常値検出方法とPython実装法 ～
・内部構造や解釈方法を正しく理解したうえで、特徴量の探索手法や、機械学習モデルの選定と活用に活かすための講座！
・Pythonコードとともに特徴量抽出や機械学習モデル構築、画像検査の応用までを修得し、予測および推定とその性能改善に活かそう！
・講座内で解説するPythonプログラムは配布します
・ＷＥＢ会議システムの使い方がご不明の方は弊社でご説明いたしますのでお気軽にご相談ください。
Pythonや分析系ライブラリが広く整備されたことによって、機械学習・深層学習を実装する敷居がとても低くなってきたといえます。一方で、よくわからないまますべての特徴量を使用したり、あるいは内部構造や解釈方法がよくわからないままモデルを構築しているという意見をよく耳にします。そのためこのセミナーでは、加工食品ライン画像から異常物を検出するという題材などを通して、その理論的背景を解説しながら、プログラミングによる機械学習の実装方法を解説します。
講座内で解説したデータやプログラムは配布しますので、セミナー終了後、ご自身で試すこともできます（環境構築せずにPythonコードを動かせる Google Collaboratory で動作するコードとなります）。
| 開催日時 |
|
|---|---|
| 開催場所 | オンラインセミナー |
| カテゴリー | オンラインセミナー、ソフト・データ・画像・デザイン |
| 受講対象者 |
・製造業、公的機関、IT企業、金融関連、設備・機械、マーケティング、生産管理、市場調査、生体情報（時間に従い変動するデータが解析対象であれば、どのような領域でも適合します） |
| 予備知識 | ・Python入門レベルの知識、あるいはPythonに触れたことがある方 |
| 修得知識 |
・内部構造や解釈方法を理解した上で機械学習モデルを実装することができる ・予測および推定に重要な特徴を探し出すことができる ・正しい精度評価とその解釈を行うことができる |
| プログラム |
１．予測に有効な特徴量を発見する方法とそのPythonプログラミング：特徴量探索 （１）．データのロード方法と波形の表示 （２）．特徴量 ａ．時間領域特徴量 ｂ．周波数領域特徴量 ｃ．特徴量変換 （３）．次元の呪い （４）．教師データとテストデータ （６）．特徴量の規格化 （７）．有効な特徴量の探索（目で見て探す方法） （８）．有効な特徴量の探索（指標に基づく方法） （９）．フーリエ変換による周波数解析
２．機械学習の手法とPythonプログラミングの実践 （１）．決定木 ａ．決定木のモデル構築 ｂ．Pythonの記述 （２）．サポートベクターマシン ａ．Pythonの記述 ｂ．特徴量空間の改善例 （３）．ニューラルネットワーク ａ．Pythonの記述 ｂ．モデルの作成
３．応用例：加工食品ライン画像からの異常値検出方法とそのPythonプログラミング （１）．畳み込みニューラルネットワーク（深層学習） （２）．精度評価
随時、Pythonコードを紹介しながら進めます |
| キーワード | 時間領域特徴量 周波数領域特徴量 特徴量変換 フーリエ変換 決定木 サポートベクターマシン ニューラルネットワーク 異常値検出方法 |
| タグ | AI・機械学習、データ解析、データ分析 |
| 受講料 |
一般 (1名)：49,500円(税込)
同時複数申込の場合(1名)：44,000円(税込) |
| 会場 |
オンラインセミナー本セミナーは、Web会議システムを使用したオンラインセミナーとして開催します。 |
こちらのセミナーは受付を終了しました。
次回開催のお知らせや、類似セミナーに関する情報を希望される方は、以下よりお問合せ下さい。
営業時間 月~金：9:00～17:00 / 定休日：土日・祝日
