• 2025年03月28日(金) 10:30 ~ 17:30

１．機械学習エンジニアに必要な基礎知識

　　（１）．基本的な問題設定：汎化誤差・経験誤差の最小化、データ予測の目的など

　　（２）．サポートベクトルマシン（SVM）の定式化：よい分類方法とは

　　（３）．SVMの性能の理論保証

２．多様な機械学習の設定と応用事例

　　（１）．機械学習でアプローチできる様々なデータと目的・評価指標

　　（２）．高信頼度を重視したい場合に有効な手法と応用事例

　　　　ａ．ランキング学習

　　　　ｂ．予測拒否オプション付き学習

　　　　ｃ．応用事例：署名照合、デザイン解析、医療画像解析

　　（３）．データ数が少ない場合やデータの質が低い場合に有効な手法と応用事例

　　　　ａ．半教師あり学習

　　　　ｂ．弱教師あり学習

　　　　ｃ．ノイズありデータ学習

　　　　d．応用分類事例：画像認識、医療データ解析

３．決定木・アンサンブル学習

　　（１）．決定木　～シンプルかつ解釈性の高いモデル

　　（２）．ランダムフォレスト　～決定木の組み合わせで予測精度向上

　　（３）．ブースティング　～弱い学習器を組み合わせて強い学習器を構築

　　（４）．応用

　　　　ａ．データに様々な種類の情報が混ざっている場合のラベル付け

　　　　ｂ．外れデータやノイズデータの検出

　　　　ｃ．事例：時系列の局所パターン解析、公平性を重視した学習など

４．ニューラルネットワークの最新技術

　　（１）．ニューラルネットワークの仕組み

　　　　・なぜニューラルネットワークは高い性能を示すのか

　　（２）．深層学習活用のコツと技術紹介

　　　　ａ．まず何をするべきか？

　　　　ｂ．性能が出ないとき：ニューラルネットワーク特有の注意点

　　　　ｃ．近年活用が盛んな技術の紹介

５．機械学習の実践プロセスと実活用における重要ポイント

　　（１）．各手法のメリットとデメリットまとめ

　　（２）．データや目的に応じて最適な手法を選択するコツと事例

　　　　・最終的に何を小さくしたい（大きくしたい）のか？　〜目的に即した評価尺度の選択

　　（３）．実装時に注意すべきこと　〜前処理から性能評価方法まで

　　（４）．手法の適用が うまくいったとき、うまくいかなかったとき、何をすべきか？

　　　　・精度だけではなく多様な観点から問題点を洗い出し

オンラインセミナー