Pythonによる機械学習の基礎とポイント

Pythonは現在流行のプログラミング言語で、これをマスターするだけでも仕事に困らないと言われています。また、オフィスワーク、医療、金融と様々な分野で活用されており、エンジニアを目指す方以外にも勉強しておいて必ず役に立つツールです。さらに、病態の予測や株式の予測のような複雑な予測は、機械学習によりある程度可能になってきております。 　本講座では、先ずPythonの基礎を学びます。初めての方でも、インストール方法含めわかりやすく解説します。次いで、機械学習における教師あり学習 (分類問題と回帰問題) および教師なし学習 (次元圧縮およびクラスター解析) についてExcelおよびPythonを使ってわかりやすく紹介します。ソースコードもご希望により配布しますので、すぐに実践することが可能です。是非この機会に講座への参加をお待ちしております。

1. 機械学習の基礎知識
   1. 機械学習とは
   2. Pythonと機械学習
   3. 環境構築
      1. OSとフレームワーク
      2. CPUとGPU
      3. NumPy
      4. matplotlib
      5. scikit-learn
      6. Jupiter
      7. Anacondaのインストール
      8. Pythonの実行
2. 分類問題
   1. 分類問題とは
      1. 学習テストとテストセット
      2. ホールドアウトと交差検証
      3. k-分割交差検証
      4. 正答率・適合率・再現率・F値・ROC曲線下面積
   2. いろいろな分類器
      1. 決定木
      2. Random Forest
      3. AdaBoost
      4. Naive Bayes
      5. サポートベクターマシン (SVM)
      6. 薬物動態データでの適用事例
3. 回帰問題
   1. 回帰問題の基礎
      1. 最小二乗法
      2. 線形単回帰
      3. 線形重回帰
4. 次元圧縮
   1. 次元の呪い
      1. 過学習
      2. 情報量規準
   2. 次元圧縮
      1. 主成分分析
      2. 主成分得点・固有値・因子負荷量
5. クラスタリング
   1. 階層的クラスタリング手法
      1. Excelによる最短距離法
      2. Excelによるウォード法
   2. 非階層的クラスタリング手法
      1. k-means法
      2. 自己組織化マップ
      3. scikit-learnを用いたデータのクラスタリング
6. 深層学習
   1. 機械学習から発展した深層学習
      1. 畳み込みニューラルネットワーク (CNN)
      2. 再帰型ニューラルネットワーク (RNN)
      3. 物体検出
7. おわりに