ホーム > 機械学習実践コース

機械学習実践コース

期間  3日間 時間  9:30～17:30
価格(税込)  110,000円(税込) 主催  株式会社キカガク
コース種別  集合研修  
形式  講義＋演習 コースコード  MAC0018R
日程 会場 空席状況 実施状況 選択

2022年7月11日(月) ～ 2022年7月13日(水)

Kikagaku(オンライン)

  お問い合わせください

2022年8月3日(水) ～ 2022年8月5日(金)

Kikagaku(オンライン)

  お申し込み後確認

2022年9月12日(月) ～ 2022年9月14日(水)

Kikagaku(オンライン)

  お申し込み後確認

2022年10月11日(火) ～ 2022年10月13日(木)

Kikagaku(オンライン)

  お申し込み後確認

2022年11月14日(月) ～ 2022年11月16日(水)

Kikagaku(オンライン)

  お申し込み後確認

※「キャンセル待ち」でお申し込みの方には、別途メールにてご連絡いたします。
※「実施確定」表示のない日程は、お申し込み状況により開催中止になる場合がございます。
※ お申込期日が過ぎた日程は、「お問い合わせください」と表示されます。
※ トレノケート主催コース以外の空席状況は、残席数に関わらず「お申し込み後確認」と表示されます。
※ トレノケート主催コース以外では、主催会社のお席を確保した後に受付確定となります。
お申込みに関するお問い合わせはこちらから

ワンポイントアドバイス

事前に配布いたします、予習動画の閲覧をお願いいたします。

Pythonの基礎知識を得ておくことで、講義内容を理解するための土台が出来上がり、有意義な時間をお過ごしすることが可能になります。

講義内で扱いきれないコンテンツに関しましても、ご受講後のフォローアップとして、実務に沿った演習課題を補講動画として提供いたします。


※注意事項

ご受講時には、以下のスペックを満たすPCのご用意をお願いいたします。

・外部Wifiに接続可能なこと

・Pythonの環境構築を終えていること

・Google Chromeがインストールされている　あるいは　インストール可能なこと 


人材開発支援助成金を申請予定の場合、担当営業もしくはWebにご相談ください。

重要なご連絡・ご確認事項

現状は、オンラインに切り替えて実施しております。

オンライン研修には、Zoomを利用します。
ご受講にあたり以下の資料をご参照いただき、問題ないことをご確認の上お申し込みください。

また、お申込に際し以下が必要になります。(必須)
(1)　gmailアドレス
(2)　zoomサイトへのサインアップ(アカウント登録)
ご対応の上、お知らせくださいますようお願いいたします。

対象者情報

対象者
・Python・機械学習を学びたいが、何から始めればいいのかわからない方
・データサイエンティストとしてデータ分析力と実装力を両方身につけたい方
・実データに対してのアプローチを体系的に学び、問題解決能力を高めたい方
前提条件
□事前予習動画9時間視聴（必須）

学習内容の詳細

コース概要
参考書などで扱っているサンプルデータではなく、実務と近しいデータを取り扱い、基礎から実装までを一気通貫して体系的に学ぶことができる3日間コースです。
AIを実務に導入するためには、手元にあるデータがそもそも活用可能なのか、データ自体がどういった特性を持っているのかを把握する必要があります。
そして、この前提条件を乗り越えた上で、導入の前段階にあたるPoC（仮説検証）を行うことが実務の導入には欠かせません。このコースでは、データの取り扱い方を含め、機械学習のモデル構築を学ぶことができる講座となっております。
キカガクがご用意する「データサイエンス徹底演習」では、実務の流れで必要となるスキルの本質的な部分に絞り、実践的な演習課題を用いて実務に即した知識を最短で身に付けることができます。
学習目標
● 機械学習を実装することができる
受講後には機械学習アルゴリズムを実装するために必要なプロセスを体系的に理解しているため、自身の問題設定に対しても適用することが可能です。

● 精度向上のためのポイントがわかる
AIの予測精度向上のために必要な、データの前処理・ハイパーパラメータの調整などの試行錯誤のポイントを抑え、実装することができます。

● 多様なデータの分析手法がわかる
どの問題設定もデータを理解することから始まります。Pythonを用いてのデータの可視化を行い、データを視覚的に理解することができます。
学習内容 
事前予習動画：
・イントロダクション
・微分
・単回帰分析（数学）
・Python入門
・単回帰分析(実装)
・線形代数
・重回帰分析(数学)
・重回帰分析(実装)
・統計
・外れ値を考慮した実装

1. イントロダクション
  - 機械学習とは？
  - 機械学習の開発フロー
  - データサイエンティストの立ち位置
  - 最適なモデル構築のプロセス

2. プログラミング演習
  - Pythonの基礎

3. 機械学習に用いられる代表的なライブラリ
  - Pandasでデータベース操作
  - Matplotlibでグラフの描画
  - Scikit learnで重回帰分析を実装

4. 演習
  - 重回帰分析の実装

5. 代表的な回帰の手法 1
  - 重回帰分析の問題点：多重共線性と過学習
  - 相関関係
  - Lasso回帰
  - Ridge回帰

6. 代表的な前処理 1
  - カテゴリカル変数の取り扱い
  - 欠損値補完・除去
  - 正規化
  - 標準化

7. 演習
  - 実データで前処理から重回帰分析の実装

8. 解説
  - 演習の解説
  - 決定係数の確認

9. 代表的な前処理 2
  - 外れ値除去 : 3σ法とハンペル判別法
  - 特徴エンジニアリング

10. 代表的な回帰の手法 2
  - 線形回帰と非線形回帰の違い
  - 決定木
  - サポートベクターマシン
  - ニューラルネットワーク

11. 分類の問題設定に挑戦
  - 分類の種類
  - 決定木の実装

12. 交差検証とハイパーパラメータの効率的な探索方法
  - ハイパーパラメータとは
  - ホールドアウト法
  - K-分割交差検証
  - グリッドサーチ
  - ランダムサーチ
  - ベイズ最適化

13. 分類の代表的な手法
  - ロジスティック回帰
  - K近傍法
  - 決定木
  - サポートベクターマシン
  - ニューラルネットワーク
  - ランダムフォレスト
  - Xgboost

14. 教師なし学習
  - 主成分分析
  - k-means
  - 演習：クラスタリングの結果を考察

15. 分類の評価指標
  - 混同行列
  - 正解率 (Accuracy)
  - 適合率 (Precision)
  - 再現率 (Recall)
  - F値
  - ROC曲線
  - ROC AUC

16. 不均衡データの取り扱い
  - 不均衡データへのアプローチ方法
  - SMOTEの実装

17. 実践演習
  - 実データで分類問題 
  - 前処理
  - 手法の選択
  - モデルの最適化
  - 結果の可視化

18. 解説
  - 演習の解説
  - セミナーの振り返り、今後の展望

補講動画：
・演習解説
  - ベースラインモデルの作成
  - データへのアプローチ
  - モデルへのアプローチ
  - 手法へのアプローチ
  - 不均衡データへのアプローチ
・補講演習
  - コスタリカ貧困レベル分類
・補講演習解説
  - イントロダクション
  - ベースラインモデルの作成1
  - ベースラインモデルの作成2
  - データへのアプローチ
  - 手法へのアプローチ
  - モデルへのアプローチ

実習/演習内容詳細

ソフトウェア
ハードウェア
ご受講時には、以下のスペックを満たすPCのご持参をお願いいたします。
・外部Wifiに接続可能なこと
・Pythonの環境構築を終えていること
・Google Chromeがインストールされている　あるいは　インストール可能なこと
ご持参が難しい 場合、お申込時備考欄に「PC利用希望」を必ず記載してください。

ご注意・ご連絡事項

・本コースは、株式会社キカガク主催のコースです。
・ご受講前に必ず当社Webサイトにて最新のコース内容をご確認ください。
・受講予定のお客様が所定の人数に満たない場合には、コースの開催を中止させていただく場合がございます。
・お申込のキャンセルは講習会開始日15日前（当該日が当社休業日の場合は、直前の営業日）までにご連絡ください。
・締切日を過ぎてのキャンセル（全日程欠席の場合を含む）は、キャンセル料として受講料の全額をお支払いいただきます。