講師は、AI専門の研究者ではなく、システム開発者なので、とにかく実践で使えることを第一に考えています。
　前半で、機械学習・ディープラーニングを概観・整理します。データ分析の未経験者でもわかるように可能な限り数式を排して説明します。
　後半は、データの前処理の違いにより、結果に対してどの程度の際が生まれるか、を実験、説明します。数値・画像・音・言語の各データの違いにより、処理を概観します。AIにとってデータ前処理は必須です。今後のデータ分析作業に必ず役立ちます。

1. 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～
   1. 次元とベクトル
   2. 画像を数値情報へ変換する
   3. 言語を数値情報へ変換する
   4. 音を数値情報へ変換する
   5. 状態を数値情報へ変換する
2. 機械学習の基礎と実践
   1. 機械学習の基本
   2. データがモデルをつくる
   3. 学習の種類
   4. 教師あり学習の基本
   5. 教師なし学習の基本
   6. 強化学習の基本
   7. 結果の分類
   8. 回帰
   9. クラス分類
3. ディープラーニングの基礎と実践
   1. 機械学習とディープラーニングの違いは?
   2. ディープニューラルネットワークとは
   3. 把握すべきディープニューラルネットワークの特性
   4. ディープラーニングを分類し、その特徴を把握する
   5. 畳み込みニューラルネットワーク CNN (Convolutional Neural Network)
   6. 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
   7. 強化学習 (Deep Q-learning)
4. データ処理の基本
   1. データの定義
   2. 扱うデータの特性を把握する
   3. 時間軸/場所の考慮
   4. データを発生させるもの
   5. データの前処理
   6. 回帰分析データに対する処理
      • 回帰問題に対応するためのデータ処理
      • 正規化
      • ワンホットベクトル
   7. 画像データに対する処理
      • 色情報の扱い
      • データオーギュメンテーション 他
   8. 音データに対する処理
      • 波形データと周波数特性 他
   9. 言語データに対する処理
      • 辞書を用意する 他
5. このセミナーだけで終わらせないために
   1. twitter/ブログを通じた情報の収集
   2. より高速な環境を求める場合
• 質疑応答