機械学習/ディープラーニングに取り組むために初歩の理論と実践の方法を学びます。
前半はなるべく数式を使用せず、データ処理、機械学習を説明します。後半は、ディープラーニングの基礎を解説し、Windows (7,10) での環境構築方法から、自身のもつデータを分析する実践方法を解説します。
講演後、すぐにディープラーニングを実践できることを目標とします。
- 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
- データの定義
- 扱うデータの特性を把握する
- 時間軸/場所の考慮
- データを発生させるもの
- データの前処理
- データの抜け、異常値への対応
- データの量を調整する (増やす/減らす)
- データの次元を削減する
- 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?
- 必要となるデータの量
- データクレジング
- フレームワークでの処理
- サンプルデータの説明
- デモで使用するサンプルデータの説明
- 機械学習/ディープラーニングの数理・確率論~対象物を数値情報へ変換する~
- 分布
- 次元とベクトル
- 画像を数値情報へ変換する
- 言語を数値情報へ変換する
- 音を数値情報へ変換する
- 状態を数値情報へ変換する
- 機械学習の基礎と実践
- 機械学習の基本
- データがモデルをつくる
- 学習結果をどう受け取るべきか
- 学習の種類
- 教師あり学習の基本
- 教師なし学習の基本
- 強化学習の基本
- 結果の分類
- 回帰
- クラス分類
- Windowsで機械学習環境をオープンソースにて構築
- 使用可能なオープンソース一覧
- Pythonの設定 (Windows7端末の例)
- サンプルデータを機械学習で処理
- 何を導き出したいか?の定義
- 使用できるモデルは?
- Pythonを実行し結果を得る
- 機械学習のプログラム解説
- ディープラーニングの基礎と実践
- 機械学習とディープラーニングの違いは?
- ニューラルネットワークとは
- 生じた誤差の吸収
- 特微量の抽出/学習の方法
- ディープラーニングを分類し、その特徴を把握する
- 畳み込みニューラルネットワーク CNN (Convolutional Neural Network)
- 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
- 強化学習 (Deep Q – learning)
- Windowsでディープラーニング環境をオープンソースにて構築
- TensorFlow
- Chainer
- サンプルデータをディープラーニングで処理
- TensorFlowで動かし結果を得る
- Chainerで動かし結果を得る
- ディープラーニングのプログラム解説
- TensorFlowの解説
- Chainerの解説
- 解析結果の考察とチューニング
- TensorFlow
- Chainer
- 精度を上げるためにいかにパラメータを最適化するか?
- 過学習の判断基準
- その他、実践にあたり注意すべきこと
- このセミナーだけで終わらせないために
- twitter/ブログを通じた情報の収集
- より高速な環境を求める場合