機械学習／ディープラーニングに取り組むために初歩の理論と実践の方法を学びます。前半はなるべく数式を使用せず、データ処理、機械学習を説明します。後半は、ディープラーニングの基礎を解説し、Windowsでの環境構築方法から、自身のもつデータを分析する実践方法をデモ形式にて解説します。講演後、すぐにディープラーニングを実践できることを目標とします。

１.機械学習／ディープラーニングを行う際に必要なデータ処理の基本
　1-1 データの定義
　1-2 扱うデータの特性を把握する
　（1）時間軸/場所の考慮
　（2）データを発生させるもの
　1-3 データの前処理
　（1）データの抜け、異常値への対応
　（2）データの量を調整する（増やす／減らす）
　（3）データの次元を削減する
　1-4 ディープラーニングの精度を上げるためにどのようなデータを用意するか？
　（1）必要となるデータの量
　（2）データクレジング
　（3）フレームワークでの処理
　1-5 サンプルデータの説明
　（1）デモで使用するサンプルデータの説明

２．機械学習／ディープラーニングの数理・確率論～対象物を数値情報へ変換する～
　2-1 分布
　2-2 次元とベクトル
　2-3 画像を数値情報へ変換する
　2-4 言語を数値情報へ変換する
　2-5 音を数値情報へ変換する
　2-6 状態を数値情報へ変換する

３．機械学習の基礎と実践
　3-1 機械学習の基本
　（1）データがモデルをつくる
　（2）学習結果をどう受け取るべきか
　3-2 学習の種類
　（1）教師あり学習の基本
　（2）教師なし学習の基本
　（3）強化学習の基本
　3-3 結果の分類
　（1）回帰
　（2）クラス分類
　3-4 Windowsで機械学習環境をオープンソースにて構築
　（1）使用可能なオープンソース一覧
　（2）Pythonの設定（Windows10端末の例）
　3-5 サンプルデータを機械学習で処理
　（1）何を導き出したいか？の定義
　（2）使用できるモデルは？
　（3）Pythonを実行し結果を得る
　3-6 機械学習のプログラム解説

４．ディープラーニングの基礎と実践
　4-1 機械学習とディープラーニングの違いは？
　（1）ニューラルネットワークとは
　（2）生じた誤差の吸収
　（3）特微量の抽出／学習の方法
　4-2 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）新しい流れ Attetion/Transformerに関して
　4-3 サンプルデータをディープラーニングで処理
　（1）TensorFlowで動かし結果を得る
　（2）PyTorchで動かし結果を得る
　4-4 ディープラーニングのプログラム解説
　（1）TensorFlowの解説
　（2）PyTorchの解説
　4-5 精度を上げるためにいかにパラメータを最適化するか？
　 (1) Optunaを使用したパラメータ推定
　4-6 XAI
　 (1) XAIの基本
　 (2) サンプルプログラム
　4-7 その他、実践にあたり注意すべきこと
 

＜質疑応答＞

キーワード
ディープラーニング,deep learning,深層学習,機械学習,AI,セミナー