ディープラーニングの基礎と実践

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。

1. データ処理の基本
   1. データの定義
   2. 扱うデータの特性を把握する
      1. 時間軸/場所の考慮
      2. データを発生させるもの
   3. データの前処理
      1. データの抜け、 異常値への対応
      2. データの量を調整する (増やす/減らす)
      3. データの次元を削減する
   4. 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?
      1. 必要となるデータの量
      2. データクレジング
      3. フレームワークでの処理
   5. サンプルデータの説明
      1. デモで使用するサンプルデータの説明
2. 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～
   1. 画像を数値情報へ変換する
   2. 言語を数値情報へ変換する
   3. 音を数値情報へ変換する
   4. 状態を数値情報へ変換する
3. 機械学習の基礎と実践
   1. 機械学習の基本
      1. データがモデルをつくる
      2. 結果をどう受け取るべきか
   2. 学習の種類
      1. 教師あり学習の基本
      2. 教師なし学習の基
      3. 強化学習の基本
   3. Windowsで機械学習環境をオープンソースにて構築
      1. 使用可能なオープンソース一覧
      2. Pythonの設定 (Windows7/10 端末の例)
   4. サンプルデータを機械学習で処理
      1. 何を導き出したいか?の定義
      2. 使用できるモデルは?c) Pythonを実行し結果を得る
   5. 機械学習のプログラム解説
4. ディープラーニングの基礎と実践
   1. 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
      1. TensorFlow環境の構築
         • 実践形式 (ハンズオン形式)
      2. Chainer環境の構築
         • 実践形式 (ハンズオン形式)
   2. 機械学習とディープラーニングの違いは?
      1. ニューラルネットワークとは
      2. 生じた誤差の吸収
      3. 特微量の抽出/学習の方法
   3. ディープラーニングを分類し、その特徴を把握する
      1. 畳み込みニューラルネットワーク CNN (Convolutional Neural Network)
         • 実践形式 (ハンズオン形式)
      2. 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
         • 実践形式 (ハンズオン形式)
      3. 強化学習 (Deep Q – learning)
         • 実践形式 (ハンズオン形式)
   4. プログラム解説
      1. TensorFlowの解説
      2. Chainerの解説
   5. 解析結果の考察とチューニング
      1. TensorFlow
         • 実践形式 (ハンズオン形式)
      2. Chainer
         • 実践形式 (ハンズオン形式)
      3. 精度を上げるためにいかにパラメータを最適化するか?
         • 実践形式 (ハンズオン形式)
   6. 過学習の判断基準
   7. その他、実践にあたり注意すべきこと
5. このセミナーだけで終わらせないために
   1. twitter/ブログを通じた情報の収集
   2. より高速な環境を求める場合
• 質疑応答