<実習セミナーにつき1口受講はありません>



実習セミナー

PythonとKerasで学ぶ
機械学習入門
 ~線形識別からディープラーニングまで~

S181001K



 開催日時:2018年10月1日(月) 10:30-17:30

 会  場:オームビル(東京都千代田区神田錦町3‐1)

       【地下鉄】
             東西線『竹橋駅』徒歩3分
             三田線・新宿線・半蔵門線『神保町駅』徒歩7分
             新宿線・千代田線『小川町駅』徒歩7分
             丸ノ内線『淡路町駅』徒歩8分
          【JR】
             中央線・山手線・京浜東北線『神田駅』徒歩12分
             中央線・総武線『御茶ノ水駅』徒歩11分
             


受 講 料:
55,000円[税別]/1名



ノートPCをご持参ください。
事前に以下のインストールをお願い致します。


・要インストールソフト Anaconda (Python 3.6バージョン)
   https://www.continuum.io/downloads

※2018年7月11日変更※
【重要】以前に記載のインストール方法には不備がありましたので,以下のように訂正します.

Anacondaをインストール後,以下の手順によりtensorflowとkerasをインストール
1.  Anaconda Navigatorを起動
2.  Anaconda Navigatorの画面からEnvironmentsを選択
3.  “installed” を”All”に変更
4.  Search Packagesの検索窓から”tensorflow”と入力
5.  パッケージ一覧の”tensorflow”にチェックを入れる
6.  右下の”Apply”をクリックしてインストールを実行

上記の手順の”tensorflow”を”keras”に変更してkerasもインストールできます。


*64bitのPCにてお願い致します。Mac、Windowsの別は問いません。
*メモリは4GB以上を推奨します。
*当日会場にて、実習教材データの入ったUSBメモリを配布します。
*実習教材データは皆様に贈呈いたします。



画像認識セミナー日程表  新宣伝セミナー日程表

 講 師


 福井 健一 氏
 


    大阪大学 産業科学研究所
      知能アーキテクチャ研究分野 
        准教授 博士(情報科学)



  【講師紹介】
    2005年~2010年3月   大阪大学産業科学研究所新産業創造物質基盤技術研究センター
                 ・特任助手(職名改名により2007年より特任助教)
    2010年3月       大阪大学大学院情報科学研究科より 博士(情報科学)取得
    2010年4月~2015年6月 大阪大学産業科学研究所第1研究部門(情報・量子科学系)・助教
    2015年7月~現在    同 准教授。


  <講師より>
    昨今のAIブームの火付け役とも言えるディープラーニングは強力な
   学習手法ですが、万能ではありません。問題の特性をよく理解して適
   切な機械学習手法を選択し、適切に用いることが重要です。
    本セミナーでは、機械学習の基本的な教師あり学習手法の考え方や
   理論的背景の説明とともに、Pythonを用いた簡単な実習を交えて機械
   学習の理解を深めます。これから本格的な勉強を始める前に概要と雰
   囲気を掴むには最適かと思います。


  <受講対象者>
   ・機械学習やディープラーニングに取り組んで間もない方
   ・Python等のツールを使いたい方、使いこなしたい方(Python初心者も歓迎)
   ・大学初等数学、情報系学部程度のプログラミング知識を持っていることが望ましい


  <受講して得られる知見、ノウハウ>
   ・機械学習の体系的理解(俯瞰的知識)
   ・いくつかの代表的な教師あり学習手法とその理論的背景、またその実運用(実習を通じて)
   ・ディープラーニングの基本的な考え方と実運用の指針(実習を通じて)



 講義項目

  1 機械学習の概要
   
1.1 ビッグデータ時代
   1.2 機械学習とは?
   1.3 最近の例
   1.4 機械学習の分類
   1.5 教師あり学習
     1.5.1 識別
     1.5.2 回帰
   1.6 教師なし学習
     1.6.1 モデル推定
     1.6.2 パターンマイニング
   1.7 半教師あり学習
   1.8 深層学習(ディープラーニング)
   1.9 強化学習
   1.10 機械学習の基本的な手順
     1.10.1 前処理
     1.10.2 評価基準の設定:クロスバリエーション
     1.10.3 簡単な識別器:k-近傍法
     1.10.4 評価指標:F値,ROC曲線
   1.11 k-近傍法を用いた実習:機械学習の基本的な手順の確認


  2 識別(1):ベイズ学習
   
2.1 計的機械学習とは
   2.2 学習データの対数尤度
   2.3 1次元2値の場合
   2.4 ナイーブベイズ分類器
   2.5 ベイジアンネットワーク
   2.6 簡単な例
   2.7 ベイジアンネットワークの構成
   2.8 ベイジアンネットワークを用いた識別
   2.9 ナイーブベイズ分類器を用いた実習


  3 識別(2):線形識別モデル
   
3.1 識別モデル
   3.2 ロジスティック識別概要
   3.3 ロジスティック識別の導出
   3.4 ロジスティック識別器の学習
   3.5 確率的最急勾配法
   3.6 正則化
   3.7 ロジスティック識別器を用いた実習
  
  4 識別(3):サポートベクトルマシン
   
4.1 サポートベクトルマシンとは
   4.2 マージン最大化のための定式化
   4.3 マージン最大化とする識別面の計算
   4.4 ソフトマージン
   4.5 カーネル関数
   4.6 簡単なカーネル関数の例
   4.7 入れ子交差検証によるハイパーパラメータ調整
   4.8 サポートベクトルマシンを用いた実習

  
5 識別(4):パーセプトロンから深層学習まで
   5.1 単純パーセプトロン
   5.2 誤り訂正学習
   5.3 最小二乗法による学習
   5.4 多層ニューラルネットワーク
   5.5 逆誤差伝搬法による学習
   5.6 深層学習とは
    5.6.1 従来の識別学習との違い
    5.6.2 深層学習の分類
    5.6.3 最近の応用例
   5.7 多階層ニューラルネットワークの学習における問題
   5.8 自己符号化器(Auto Encoder)による事前学習
   5.9 Drop Out法による過学習の抑制
   5.10 自己符号化器を用いた深層学習による実習




 お1人様      受講申込要領 セミナー 総合日程 画像認識 セミナー日程 新宣伝 セミナー日程