本セミナーでは、エンジニア向けに機械学習の基礎を説明し、時系列データから、時間とともに変化する現象をモデル化する基本的な手法を解説します。また深層学習における時系列モデルとして、再帰型ネットワーク、LSTM (長・短期記憶) 、注意型ネットワークについて解説します。
機械学習と深層学習の具体的な適用方法として、Pythonとフレームワークによる実装例を紹介します。
- 機械学習による時系列のモデル化
- 機械学習をどのように活用するか?
- 異常検知から予測へ
- 回帰モデルを用いた予測
- 線形予測モデルによる時系列解析
- 深層学習による時系列のモデル化
- 順伝播型ネットワーク
- 誤差逆伝播法によるパラメータ推定
- 畳込みネット (CNN) による画像の識別
- 再帰型ネット (RNN) による時系列の予測
- 長・短期記憶 (LSTM) におけるゲートの役割
- 注意型ネット (Attention) による変換
- コネクショニスト時系列分類法 (CTC)
- end-to-end アプローチの意義
- Python による実装
- Python の解説と回帰モデルの実装例
- フレームワークとしてのTensorFlowとKeras
- フレームワークによる再帰型ネットワークの実装例
- 時系列モデルへの深層学習の適用
- 深層学習の組み合わせによる読唇 (動画像認識)
(DeepMind とオックスフォード大学による研究の紹介)
- 深層学習による音響イベント検出モデルの学習
(Google によるYouTube映像を用いた研究の紹介)