機械学習・ディープラーニング・人工知能技術の流行により、これらの技術を用いてビジネスの課題を解決するデータサイエンティストという職種が注目を集めています。機械学習・ディープラーニングについてはさまざまな書籍が刊行され、オープンソースのライブラリも充実してきています。これらの書籍を参照し、ライブラリを利用することで、誰でも簡単に機械学習を利用したデータ分析を行うことが可能となりました。
　しかし、実際のビジネスに機械学習技術を適用するためには、ライブラリを利用できるだけでは不十分です。データの前処理やパラメータの調整、結果の評価手法など、データ分析の正しいやり方・手順を理解していなければ、質の高い分析結果を得ることができないだけでなく、誤った判断を下してしまう危険性もあります。また、データ分析を外部に委託する場合も、分析結果の妥当性を正しく判断するためには、分析を依頼する側にも正しい知識が求められます。
　本セミナーでは、データ分析の正しいやり方・手順を学び、自分自身でデータ分析を行えるようになること、または他者のデータ分析結果を正しく評価できるようになることを目指します。

1. データの前処理・扱い方
   1. データ分析のためのデータ形式
   2. 特徴量 (説明変数) の分類
   3. カテゴリ変数の扱い方
   4. 欠損値の扱い方
   5. データの正しい可視化方法
   6. データ収集・整形時の注意点
2. 機械学習の基本と利用時の留意点
   1. 機械学習とは
   2. 機械学習によるデータ分析でできること
   3. 代表的なアルゴリズム
   4. データ特性に応じた手法の選択
   5. ディープラーニングとは
   6. ディープラーニングの使いどころ
3. 分析結果の評価法
   1. 回帰モデルの評価基準
   2. 分類 (識別) モデルの評価基準
   3. 精度以外の評価基準の重要性
   4. 適合率・再現率・F値
   5. ROC曲線・AUC
4. 機械学習によるデータ分析の進め方
   1. パラメータ調整の必要性とその方法
   2. 過学習とその対策 (交差検証法など)
   3. バイアスとバリアンスについて
   4. 学習曲線による現状の把握
5. ビジネスへの適用について
   1. データマイニングプロセス「CRISP-DM」
   2. ビジネスへの適用時の課題・注意点