• 2019年05月07日(火) 10:30 ~ 17:30

１．機械学習/ディープラーニングと統計
　　（１）．統計をとるとはどういうことか
　　（２）．２つのデータ、どれくらい似ている（違っている）か
　　（３）．統計と機械学習/ディープラーニングの関係
　　（４）．機械学習/ディープラーニングの手法概観
　　（５）．機械学習/ディープラーニングで最も重要なこと

２．データを用意する
　　（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）．事象を数値情報
　　　　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
　　（４）．データの前処理
　　　　ａ．データの抜け、異常値
　　　　ｂ．データの量を調整する（増やす／減らす）
　　　　ｃ．正規化する
　　　　d．グラフに書く
　　　　e．他の手法

３．機械学習の基礎と実践
　　（１）．機械学習をどう分類する
　　（２）．データの種類からの分類
　　　　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）．結果からの分類
　　　　ａ．回帰
　　　　ｂ．クラス分類

４．機械学習の基礎と実践
　　（１）．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）
　　（２）．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
　　（３）．機械学習のプログラム解説

５．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)
　　（３）．ディープラーニングで画像分類する
　　　　ａ．前処理の詳細
　　　　ｂ．CNNで画像分類

６．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