Pythonではじめる機械学習入門講座

機械学習の入門講座 (セミナー) は、巷にたくさんありますが、理論と実践が揃って、はじめて現場で使える技術となります。 　本セミナーでは、機械学習の理論的側面のみではなく、コンピュータを用いた実践演習を通して、理解を深めていきます。同時に、実践演習では、最近様々な分野で、注目を集めているコンピュータ言語Pythonと機械学習系ライブラリ (scikit-learn) を用います。

1. はじめに
   1. 講師自己紹介
   2. セミナーの狙い
2. 演習環境の確認
   1. Pythonの実行環境の確認
   2. 各種ライブラリ (NumPy,SciPy,matplotlib,scikit-learn) の実行環境の確認
   3. 統合開発環境Spyderの実行環境の確認
   4. Pythonの実行方法 (インタプリタ,コマンド渡し,統合開発環境)
3. Python入門講座
   1. Pythonの特徴
   2. Pythonの基本文法
   3. コーディング方法 (統合開発環境Spyderの使い方含む)
   4. 各種ライブラリの使い方
      • NumPy
      • SciPy
      • matplotlib
      • scikit-learnなど
   5. 機械学習アルゴリズムの実装方法
   6. サンプルコードを用いた実践演習
   7. 参考書・情報源の紹介
4. 機械学習概論
   1. 機械学習の概要
   2. 三大学習法
      • 教師あり学習
      • 教師なし学習
      • 強化学習
   3. 機械学習データセットの紹介
   4. 機械学習におけるデータの著作権
   5. 専門書・参考書の紹介
5. 教師あり学習
   1. 教師あり学習の概要
   2. クラス分類と回帰
   3. 過剰適合 (過学習) と適合不足 (学習不足)
   4. モデル複雑度と精度
   5. 多クラス分類
   6. 各種教師あり学習アルゴリズムの基礎理論と実践演習
      1. k-最近傍法
         • クラス分類
         • 回帰
      2. 線形モデル
         • 線形回帰
         • Ridge回帰
         • Lasso回帰
         • ロジスティック回帰
      3. サポートベクトルマシン
         • 線形モデル
         • 非線形モデル
      4. 決定木
      5. アンサンブル学習
         • ランダムフォレスト
         • アダブースト
   7. クラス分類の性能指標
6. 教師なし学習
   1. 教師なし学習の概要
   2. 次元削減と特徴量抽出
   3. 各種教師なし学習アルゴリズムの基礎理論と実践演習
      1. 主成分分析 (次元削減)
      2. k-平均法 (クラスタリング)
      3. 凝集型クラスタリング
      4. DBSCAN (クラスタリング)
   4. クラスタリングの性能指標
7. 実装上の注意事項
   1. データの前処理 (スケール変換など)
   2. テスト誤差の最小化 (k分割交差検証)
   3. ハイパパラメータの最適化
      • グリッドサーチ
      • ランダムサーチ
   4. 実データの読み込み方法
8. まとめと質疑応答