～ 機械学習の基礎、Pythonによる機械学習の実装方法、過学習の抑制とそのポイント、特徴選択における実装と注意点、ハイパーパラメータ最適化における実装とそのポイント ～
・教師あり機械学習の基礎から過学習の抑制法までを修得し、未知データに対する汎化性能の向上をシステムに応用するための講座！
・機械学習の基礎から過学習の抑制法、Pythonによる機械学習の実装方法と注意点までを修得し、汎化性能の向上に活かそう！
・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。
昨今、ディープラーニングを代表とするデータに基づく機械学習が産業界の様々な領域へ導入が進んでいます。しかしながら、実用化にあたり、過学習をいかにして抑えて未知データに対する汎化性能を向上させるか、どのように重要な特徴量を選別するか、また学習では直接最適化が不可能なハイパーパラメータをどのように調整するか、が主要な課題となります。
本セミナーでは、まず機械学習の基本をおさらいし、これらの課題について代表的な対応策の説明と共に、それらのPythonによる実装方法を丁寧に解説します。
| 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 |
・機械学習の導入を始めたばかりの方、初学者 ・未知データに対する汎化性能を向上させたい方 |
| 予備知識 |
・プログラミングの基本的な知識（Ｐｙｔｈｏｎでなくても良い） ・高校卒業程度の数学 |
| 修得知識 |
・教師あり機械学習全般に関する基礎的知識 ・代表的な過学習抑制法 ・上記に関するＰｙｔｈｏｎによる実装方法 |
| プログラム |
１．機械学習の概要 （１）．機械学習の分類 （２）．基本的構造と過学習問題 （３）．教師あり学習の基本 （４）．深層学習（ディープラーニング）の発展 （５）．機械学習の基本的な手順 ａ．前処理 ｂ．次元の呪い ｃ．主成分分析による次元圧縮 ｄ．バイアスとバリアンス ｅ．評価基準の設定：クロスバリエーション ｆ．簡単な識別器：ｋ－近傍法 ｇ．評価指標：Ｆ値、ＲＯＣ曲線
２．Pythonによる機械学習の実装方法（実装解説） （１）．Ｓｃｉｋｉｔ－ｌｅａｒｎを用いた実装方法 （２）．ｋ近傍法による識別
３．過学習の抑制とそのポイント （１）．ロジスティック回帰 （２）．Ｌ１／Ｌ２正則化 （３）．ディープラーニングにおける過学習の抑制 ａ．ＤｒｏｐＯｕｔ法 ｂ．Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ法 （４）．Ｌ１／Ｌ２正則化の比較（実装解説）
４．特徴選択における実装と注意点 （１）．線形回帰 （２）．評価指標 （３）．逐次特徴選択 （４）．モデルベース特徴選択 ａ．Ｌ１正則化による特徴選択 ｂ．決定木学習に基づく特徴選択 （５）．各種特徴選択の比較（実装解説）
５．ハイパーパラメータ最適化における実装とそのポイント （１）．サポートベクトルマシン （２）．ハイパーパラメータ最適化問題 （３）．Ｏｐｔｕｎａによるハイパーパラメータ最適化方法（実装解説） |
| キーワード | 機械学習 過学習 深層学習 ディープラーニング 教師あり学習 正則化 特徴選択 ハイパーパラメータ最適化 サポートベクトルマシン |
| タグ | AI・機械学習、クラウドコンピューティング、システム営業、システム契約、研究開発、商品開発 |
| 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
