• 2019年01月21日(月) 10:30 ~ 17:30

１．機械学習／ディープラーニングを行う際に必要なデータ処理の基本
　　（１）．データの定義
　　（２）．扱うデータの特性を把握する
　　　　ａ．時間軸/場所の考慮
　　　　ｂ．データを発生させるもの
　　（３）．データの前処理
　　　　ａ．データの抜け、異常値への対応
　　　　ｂ．データの量を調整する（増やす／減らす）
　　　　ｃ．データの次元
　　（４）．ディープラーニングの精度を上げるために
　　　　　　どのようなデータを用意するか？
　　　　ａ．必要となるデータの量
　　　　ｂ．データクレジング
　　　　ｃ．フレームワークでの処理
　　（５）．サンプルデータの説明
　　　　ａ．デモで使用するサンプルデータの説明

２．統計処理と数値化
　　（１）．統計をとるとは
　　（２）．どれくらい似ている（違っている）か
　　（３）．対象物を数値情報へ変換する
　　　　ａ．画像を数値情報へ変換する
　　　　ｂ．言語を数値情報へ変換する
　　　　ｃ．音を数値情報へ変換する
　　　　ｄ．状態を数値情報へ変換する

３．機械学習の基礎と実践
　　（１）．機械学習の基本
　　　　ａ．データがモデルをつくる
　　（２）．学習の種類
　　　　ａ．教師あり学習の基本
　　　　ｂ．教師なし学習の基本
　　　　ｃ．強化学習の基本
　　（３）．結果の分類
　　　　ａ．回帰
　　　　ｂ．クラス分類
　　（４）．Windowsで機械学習環境をオープンソースにて構築
　　　　ａ．使用可能なオープンソース一覧
　　　　ｂ．Pythonの設定（Windows10端末の例）
　　（５）．サンプルデータを機械学習で処理
　　　　ａ．Pythonを実行し結果を得る
　　（６）．機械学習のプログラム解説

４．ディープラーニングの基礎と実践
　　（１）．機械学習とディープラーニングの違いは？
　　　　ａ．ディープニューラルネットワークとは
　　　　ｂ．把握すべきディープニューラルネットワークの特性
　　（２）．ディープラーニングの各手法を把握する
　　　　ａ．畳み込みニューラルネットワーク CNN
　　　　　　（Convolutional Neural Network
　　　　ｂ．再帰型ニューラルネットワーク RNN
　　　　　　 (Recurrent Neural Network)
　　　　ｃ．強化学習 (Deep Q-learning)
　　　（３）．ディープラーニングの各手法を実践する
　　　　ａ．画像分類
　　　　ｂ．音データによる異常検知
　　　　ｃ．言語処理によるトピック分類

５．このセミナーだけで終わらせないために
　　（１）．twitter/ブログを通じた情報の収集

＊実習では、TensorFrowとChainerによるプログラミングを予定しています

日本テクノセンター研修室