機械学習によるデータ分析の進め方

機械学習を実践で使えることを第一に考えたセミナーです。前半は、機械学習 (含深層学習) を数式を排して説明します。後半は、実際のデータを用いて、前半で確認した内容を確認していきます。今回は特に下記に重点を置いたセミナーとなります。

• データ分析の未経験者でもわかる
• 数式なしで、文系の方でも大丈夫
• 手法の解説だけではなく、データの収集に関しても解説
• 実証実験の現場で出てきている課題も随所に盛り込みます

「次の日からデータ分析に取り組める」セミナーです。

1. 機械学習の基礎と実践
   1. 機械学習の基本
   2. データがモデルをつくる
   3. 学習の種類
   4. 教師あり学習の基本
   5. 教師なし学習の基本
   6. 強化学習の基本
   7. 結果の分類
   8. 回帰
   9. クラス分類
2. 事象をサンプリングし数値情報へ変換する
   1. サンプリング
   2. 次元とベクトル
   3. 画像を数値情報へ変換する
   4. 言語を数値情報へ変換する
   5. 音を数値情報へ変換する
3. 学習って何?
   1. 何を学習している?
   2. 統計との関係
4. 深層学習の基礎
   1. 機械学習と深層学習の違いは?
   2. ディープニューラルネットワークとは
   3. 把握すべきディープニューラルネットワークの特性
5. 現場で発生するデータ
   1. どのようなデータを収集可能か?
   2. 想定と実際
   3. 想定とのギャップを埋められるか?
   4. データの前処理の必要性
   5. データ共通の処理
      • 回帰問題に対応するためのデータ処理
      • 正規化
      • ワンホットベクトル
   6. 画像データに対する処理
      • 色情報の扱い
      • データオーギュメンテーション 他
   7. 音データに対する処理
      • 波形データと周波数特性 他
6. 事例で確認してみる
   1. センサーデータからの異常検知
   2. 画像データでの分類
   3. 音データでの異常検知
7. 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