本セミナーでは、初心者でも理解しやすいPythonと機械学習ライブラリのscikit-learnを用いて、機械学習の基礎と利用法を学びます。機械学習の概念を理解しライブラリが何を行っているのか分かるようになること、APIリファレンスを読めるようになることを目指します。また、概念の説明にはなるべく数式は用いずに平易な説明を行います。初日は機械学習の概要とPythonやscikit-learnの使い方、機械学習の一連のプロセスについて、演習を通じてじっくり学びます。2日目は代表的な識別器として、ロジスティック回帰、サポートベクタマシン、またディープラーニング、さらに各種異常検知の方法について演習を交えて学びます。

1日目

• 第1部 機械学習の概要 (座学)
  • 機械学習とは?
  • 機械学習の要素
  • 機械学習の分類:教師あり学習、教師なし学習、強化学習
• 第2部 Pythonの基本 (演習)
  • Jupyter NotebookでPythonに触れてみる
  • Pythonの基本的な構文: データ形式、forループ、関数、クラスとインスタンス
  • Numpyによる簡単な計算
  • csv形式のデータの読み込み
  • データのプロット
• 第3部 機械学習の基本的な手順 (座学+演習)
  • 前処理
  • 次元圧縮と次元の呪い
  • データフォーマット
  • K-近傍法による識別
  • クロスバリデーションによる性能評価
  • 評価指標
  • 機械学習ツール scikit-learnの使い方
    • 【演習】K-近傍法による識別
  • 識別境界面の描画
  • 近傍数の影響
  • 特徴量と識別境界との関係

2日目

• 第4部 識別 (1) :ロジスティック回帰 (座学+演習)
  • ロジスティック回帰による識別
  • ロジスティック回帰の学習
  • 正則化による過学習の抑制
    • 【演習】ロジスティック回帰による手書き文字データの識別
  • 正則化の効果
  • 重要な画素のプロット
• 第5部 識別 (2) :サポートベクタマシン (座学+演習)
  • マージン最大化による定式化
  • カーネルトリック
  • カーネル関数
  • ハイパーパラメータ調整
    • 【演習】サポートベクタマシンによる乳がんデータの識別
  • グリッドサーチによるハイパーパラメータ調整
• 第6部 識別 (3) :ディープラーニング (座学+演習)
  • ニューラルネットワークとは
  • 誤差逆伝播法による学習
  • ディープラーニングの分類
  • AutoEncoderによる事前学習
  • 畳込みニューラルネットワーク (CNN)
    • 【演習】ディープラーニングによる手書き文字データの識別
  • AutoEncoderによる事前学習を行うディープラーニング
  • 畳み込みニューラルネットワーク
  • 多層パーセプトロン
• 第7部 異常検知 (座学+演習)
  • 異常検知の考え方
  • ホテリングの理論に基づく異常検知
  • One-Class SVMによる異常検知
  • Local Outlier Factor, Isolation Forest
    • 【演習】各種異常検知法の比較
  • One-Class SVM、Local Outlier Factor、Isolation Forestの比較
  • 各種ハイパーパラメータの影響
• 質疑応答