機械学習・ディープラーニングのための統計学入門

ディープラーニングをはじめとして機械学習は現在多くの企業・機関等で利用されつつあります。その背景には、RあるいはPythonに代表されるフリーのプラットフォームの利用が拡大しています。本セミナーではRに焦点をあて、Rの導入から機械学習のモデルの構築まで実習をふまえて取り上げます。4年以上にわたって工夫を重ねてきた内容で躓きやすい点をわかりやすく解説します。

1日目

1. 機械学習とは?
   1. AIと機械学習の違いは?
   2. 教師あり学習と教師なし学習
   3. 機械学習の6つのパターン
   4. 機械学習を実現するプラットフォーム
   5. ディープラーニングと機械学習
   6. 機械学習の活用例
2. 機械学習を行うために必要な統計の基本知識
   1. 平均、分散、標準偏差
   2. 正規分布、t分布
   3. 最小二乗法
   4. パーセプトロン
3. R Studioの導入
   1. 四則演算
   2. ファイル入出力
   3. データ型
4. 回帰分析・重回帰分析・ロジスティクス回帰分析
   1. 回帰分析
   2. 重回帰分析 (AIC)
   3. ロジスティクス回帰分析
• 質疑応答

2日目

1. クラスタリング分析
   1. 階層化クラスタリング
   2. k平均法
   3. モデルベースクラスタリング
2. 次元削減
   1. 主成分分析
   2. 因子分析
3. アンサンブル学習
4. サポートベクターマシン
5. アンサンブル学習
   1. バギング
   2. ブースティング
   3. ランダムフォレスト
6. ディープラーニング
   1. 活性化関数
   2. 誤差関数
   3. CNN
   4. Kerasによるディープラーニング実習
   5. MNISTの文字認識実習
   6. 転移学習
• 質疑応答