セミナー 印刷

【Live配信】
画像認識のための
パターン認識・機械学習の基礎と深層学習

~パターン認識・機械学習の基礎的な知識
~実装方法・学習のコツ~
~深層学習(DeepLearning)の知識と実装方法~

本セミナーは、【Live配信】のみで開催します。
会場参加はございません。6/4更新
Pythonを用いた実装、Deep Learningの利用、、、、

k近傍法、線形識別関数、アンサンブル学習、ニューラルネットワーク、scikit-learn、Keras、、、

画像認識を実現するための
 パターン認識、機械学習、深層学習(ディープラーニング)の知識をご自身にも「実装」を!
このセミナーの受付は終了致しました。
日時 2020年6月29日(月)  10:30~16:30
会場 Live配信セミナー(リアルタイム配信) ※会社・自宅にいながら学習可能です※  
会場地図
受講料(税込)
各種割引特典
49,500円 ( S&T会員受講料 46,970円 ) S&T会員登録について
定価:本体45,000円+税4,500円
会員:本体42,700円+税4,270円
※テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
 1名申込みの場合:受講料( 定価:35,200円/S&T会員 33,440円 )

35,200円 ( S&T会員受講料 33,440円 ) 
  定価:本体32,000円+税3,200円
  会員:本体30,400円+税3,040円
※1名様でLive配信/WEBセミナーを受講する場合、上記特別価格になります。
※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
※他の割引は併用できません。
S&T会員なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で49,500円 (2名ともS&T会員登録必須​/1名あたり定価半額24,750円) 
ライブ配信【ライブ配信(Zoom使用)セミナー】

 ・本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信セミナーとなります。
 ・お申込み受理のご連絡メールに接続テスト用のURL、ミーティングID​、パスワードが記されております。
  「Zoom」のインストールができるか、接続できるか等をご確認下さい。
 ・セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
 ・セミナー資料は事前にお申し込み時のご住所へ発送させて頂きます。
 ・開催まで4営業日を過ぎたお申込みの場合、セミナー資料の到着が、開講日に間に合わない可能性がありますこと、
   ご了承下さい。

 ・開催日時にリアルタイムで講師へのご質問も可能です。
 ・タブレットやスマートフォンでも視聴できます。
備考※資料付 (郵送します)
※録音・撮影、受講者以外の方が視聴することを固く禁じます。
得られる知識パターン認識・機械学習に関する基礎的な知識,実装に関する知識
深層学習に関する知識と実装方法
キーワード:パターン認識,機械学習,画像認識,深層学習,ディープラーニング

セミナー講師

名古屋大学 大学院 情報学研究科 講師 博士(情報学) 川西 康友 氏
【講師紹介】

セミナー趣旨

 本セミナーでは、画像認識のためのパターン認識・機械学習の基礎と深層学習について解説します。これまで広く利用されてきたパターン認識・機械学習の手法だけでなく、深層学習(Deep Learning)も様々なところで、特にAIシステムの構築に利用されていますが、それらを使いこなすには機械学習に関する基礎的な知識が重要です。そこで、パターン認識・機械学習の様々な応用例と、基礎知識について解説します。また、 深層学習(DeepLearning)についても、実装方法や学習のコツなども含め解説します。

セミナー講演内容

1.はじめに
 1.1 パターン認識・機械学習
 1.2 最先端手法と応用例

2.機械学習のしくみ
 2.1 機械学習の枠組み
 2.2 機械学習に基づくパターン認識手法
  1)k近傍法
  2)線形識別関数
  3)アンサンブル学習
  4)ニューラルネットワーク

3.Pythonでの機械学習
 3.1 scikit-learnの紹介
 3.2 scikit-learnを用いた機械学習の枠組み
 3.3 使用するクラス分類器
 3.4 Pythonでの機械学習の実際の流れ
  1)必要なモジュールの読み込み
  2)特徴量の読み込み
  3)識別器の初期化・学習
  4)評価
  5)結果の集計・出力
  6)学習した識別器の保存、読み込み
 3.5 各種クラス分類手法の切り替え
 3.6 各種クラス分類手法の比較

4.Deep Learningの利用
 4.1 Deep Learningの代表的なパッケージ
 4.2 Kerasを用いたクラス分類器としてのDeep Learning
 4.3 Kerasを用いた特徴抽出を含めたDeep Learning
 4.4 学習済みモデルの読み込みと利用

5.まとめ

  □質疑応答□