機械学習 (ディープラーニング) の基礎・活用・実践 (全3回)

第1回: Python基礎と機械学習基礎

(2024年6月10日 10:00〜17:00)

　機械学習の初めの一歩として、概要、様々な情報のデータ化の実際、そしてPythonプログラムの基礎を学習します。Pythonプログラムを実際に動かすことで、データ化の実際、機械学習はどのように動作しているのかを確認でき、理解が容易になります。なお、無償のGoogle Colaboratoryを使用することで、実際に動きを確かめながら、学習することが可能です。

1. 機械学習とは
   1. 概要
   2. 学習方法による分類
   3. 活用する箇所
2. 機械学習のためのデータ準備
   1. データとは
   2. 画像・言語、音のデータ化
3. Python基礎
   1. 環境構築
      1. PCでの環境構築
      2. クラウドの環境利用 (Google Colab)
   2. 文法基礎
   3. ライブラリの活用
   4. フレームワークの活用
4. 機械学習を試す
   1. 機械学習のサンプル1 (数値データ解析)
   2. 機械学習のサンプル1 (画像データ分類)
• 質疑応答

第2回: ディープラーニングと機械学習プロジェクトの進め方

(2024年7月8日 10:00〜17:00)

　AIの基礎となるディープラーニングの基本を学習します。ディープラーニングの中の様々の手法を確認することで、データからの特徴抽出のための考え方が身に付きます。また、後半は機械学習プロジェクトの進め方を学習します。 　実際のプロジェクトを進める上での課題 (特徴量エンジニアリングはどうする、データ量が少ない、ハイパーパラメータの決定) などへの対処方法を学習します。 　なお、無償のGoogle Colaboratoryを使用することで、実際に動きを確かめながら、学習することが可能です。

1. ディープラーニングの基礎
   1. 機械学習とディープラーニングの違いは?
      1. ディープニューラルネットワークとは
      2. 把握すべきディープニューラルネットワークの特性
   2. 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)
      2. 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
      3. 強化学習 (Deep Q – learning)
      4. その他の手法
2. 機械学習プロジェクト進め方
   1. データ準備
   2. 一般的なデータ前処理
   3. 特徴量エンジニアリング
   4. 手法の定義
   5. パラメータ調整
      1. ハイパーパラメータとは
      2. ハイパーパラメータの自動調整 (optunaの活用)
   6. データ量に関する考察
   7. 基盤モデルと転移学習
• 質疑応答

第3回: 機械学習 実践編 〜分類、時系列解析、異常検知、生成AI〜

(2024年8月5日 10:00〜17:00)

　様々な課題に対する機械学習 (ディープラーニング) の活用方法を学習します。画像分類、時系列分析、異常検知等の例を解説し、実際の動きを確認します。また最後に生成系AIの解説も行い、その概要、業務課題への適用 (LLMの転移学習等) を検討します。 　なお、無償のGoogle Colaboratoryを使用することで、実際に動きを確かめながら、学習することが可能です。

1. 画像分類/物体検出
   1. 画像での特徴量エンジニアリング
   2. 分類モデル
   3. 物体検出
   4. サンプルデータを使用した物体検出
2. 時系列データ解析
   1. 時系列データの定義
   2. 自己相関と変動
   3. ARIMAモデル
   4. RNNモデル
   5. サンプルデータを使用した時系列予測
3. 異常検知への応用
   1. 異常検知の基本
   2. AutoEncoder
   3. RNN+AutoEncoder
   4. サンプルデータを使用した異常検知
4. 生成AI
   1. 生成AIの基本
   2. 著作権の注意
   3. Transeformer
   4. Diffusion model (拡散モデル)
   5. サンプルデータを使用したLLMの転移学習
• 質疑応答