技術セミナー・研修・出版・書籍・通信教育・eラーニング・講師派遣の テックセミナー ジェーピー

Pythonを使って理解する線形代数の基礎と機械学習への応用

Pythonを使って理解する線形代数の基礎と機械学習への応用

～ベクトル・行列・微分・偏微分・教師あり/教師なし学習～
オンライン 開催 PC実習付き
関連するセミナー・出版物
本セミナーは終了いたしました。
セミナーの再開催を依頼する 関連するセミナー・出版物を探す

視聴期間は2023年2月20日〜3月7日を予定しております。
お申し込みは2023年2月20日まで承ります。

配信期間

  • 2023年2月20日(月) 10時30分 ～ 2023年3月7日(火) 16時30分

お申し込みの締切日

  • 2023年2月20日(月) 10時30分

修得知識

  • 機械学習の基礎
  • オブジェクト指向
  • 線形代数の基礎 (ベクトル、行列、微分、偏微分)
  • Pythonを用いた数学の表現方法
  • 回帰、分類の概念
  • 線形判別
  • サポートベクターマシン
  • ニューラルネットワーク
  • 教師あり/教師なし学習 など

プログラム

　Pythonの基本的なプログラミングはある程度理解できたのに、機械学習の内容になった途端、全く理解できなくなったという経験はないでしょうか。その原因として、ベクトルや行列、微積分といった線形代数の理解不足とPythonでの数学的表現方法を知らないことがあげられます。
　本講座は、このような悩みを解決すべく、機械学習に必要な線形代数などの数学知識をPythonを通して学んだうえで、実際に機械学習を行うところまで解説します。
　この講座を受ければ、機械学習の基礎を理解できることはもちろん、他の機械学習セミナーを受けた時も、より理解が進むことでしょう。数学が苦手な方でも分かるように解説しますので、これから機械学習に取り組む方や、今までいまいち理解できていなかった方におすすめの講座です。

第1部:Pythonを使って理解する機械学習のための数学基礎 – 初級編 –

　機械学習は、RやPythonなどのソフトを使って実行することは可能ですが、その中身を理解するためには数学的知識が必要不可欠です。線形代数を扱う講座は多いですが本講座ではPythonを使って解説するところがオリジナルな点です。Pythonのプログラミングを通じて、初級編では機械学習を理解する上での基礎知識、行列の計算などを中心に、数学が苦手な方にもわかりやすく解説します。

  1. 序論:ロードマップ
    1. 機械学習の基礎
    2. なぜ数学が機械学習に必要か
    3. 数学⇒機械学習へのロードマップ
    4. 機械学習とオブジェクト指向
  2. 線形代数:ベクトル
    1. ベクトルの基礎
    2. ベクトルの内積
    3. ベクトルのノルム
  3. 線形代数:行列
    1. 行列の基礎
    2. 行列の積
    3. 逆行列
    4. 行列と連立方程式
    5. 行列と写像
    6. 線形結合と二次形式
  4. 指数関数と対数関数
    1. 指数と対数
    2. 指数関数の微分
    3. 対数関数の微分
    4. シグモイド関数
    5. ソフトマックス関数
    6. ガウス関数

第2部:Pythonを使って理解する機械学習のための数学基礎 – 中級編 –

　中級編は、大学で習う数学の知識レベルと位置付けるとよいでしょう。特に偏微分は高校では習わないですが、機械学習では大変重要になります。また、機械学習では回帰と分類の概念が重要で、これらについて数学的基礎を固めることが大切です。ここでもPythonを使ってわかりやすく解説します。

  1. 微分
    1. 微分の基礎
    2. 微分係数
    3. 勾配を図で表す
    4. 導関数と微分
  2. 偏微分の基礎
    1. 偏微分とは
    2. 多変数関数の偏微分
    3. 合成関数の偏微分
  3. 偏微分応用
    1. 目的関数の偏微分
    2. 最急勾配降下法
    3. ラグランジュの未定乗数法
  4. 教師あり学習:回帰
    1. 直線モデル
    2. 直線モデルパラメータの解析
    3. 面モデル
    4. 面モデルパラメータの解析
    5. D次元線形回帰モデル
    6. 線形基底関数モデル
    7. オーバーフィッティング
    8. モデルの選択
  5. 教師あり学習:分類
    1. クラス分類
    2. ロジスティック回帰モデル
    3. 最尤推定法
    4. 面モデルパラメータの解析
    5. 交差エントロピー誤差
    6. 勾配法による解

第3部:Pythonと数学知識を使った機械学習への応用 – 教師あり/教師なし学習 –

　テーマ1と2で学習した内容を踏まえ、実際の機械学習への応用を試みます。機械学習に分類されるアルゴリズムは非常に多岐にわたっていますが、その中でも教師あり学習の代表的なものとして、線形判別、サポートベクターマシン、ニューラルネットワークについて解説します。また、機械学習では入力情報だけを扱う教師なし学習も重要で、ここでは主成分分析とK-meansクラスタリングを解説します。

  1. 線形判別
    1. 分類問題
    2. 線形分離
    3. Fisherの線形判別分析
  2. カーネル法
    1. 一般関数の線形和
    2. ガウス関数による近似
    3. カーネル関数
    4. 正則化
  3. サポートベクターマシン
    1. サポートベクターマシン基礎
    2. マージン最大化・ソフトマージン
    3. 高次元空間への写像
    4. Pythonによるサポートベクターマシンの実行
  4. ニューラルネットワーク
    1. ニューロンモデル
    2. 多層ニューラルネットワーク
    3. 数値微分法
    4. 誤差逆伝播法
    5. Pythonによるニューラルネットワークの実行
  5. 教師なし学習
    1. 標準化
    2. 回転行列による回転
    3. 主成分分析
    4. 固有値問題
    5. K-meansクラスタリング
    6. Pythonによる教師なし学習の実行
ページのトップヘ

講師

ページのトップヘ

主催

サイエンス＆テクノロジー 株式会社
お支払い方法、キャンセルの可否は、必ずお申し込み前にご確認をお願いいたします。

お問い合わせ

本セミナーに関するお問い合わせは tech-seminar.jpのお問い合わせからお願いいたします。
(主催者への直接のお問い合わせはご遠慮くださいませ。)

受講料

1名様
: 34,200円 (税別) / 37,620円 (税込)
複数名
: 25,000円 (税別) / 27,500円 (税込)

複数名受講割引

  • 2名様以上でお申込みの場合、1名あたり 25,000円(税別) / 27,500円(税込) で受講いただけます。
    • 1名様でお申し込みの場合 : 1名で 34,200円(税別) / 37,620円(税込)
    • 2名様でお申し込みの場合 : 2名で 50,000円(税別) / 55,000円(税込)
    • 3名様でお申し込みの場合 : 3名で 75,000円(税別) / 82,500円(税込)
  • 同一法人内 (グループ会社でも可) による複数名同時申込みのみ適用いたします。
  • 受講券、請求書は、代表者にご郵送いたします。
  • 請求書および領収書は1名様ごとに発行可能です。
    申込みフォームの通信欄に「請求書1名ごと発行」とご記入ください。
  • 他の割引は併用できません。
  • サイエンス&テクノロジー社の「2名同時申込みで1名分無料」価格を適用しています。

アカデミー割引

教員、学生および医療従事者はアカデミー割引価格にて受講いただけます。

  • 1名様あたり 10,000円(税別) / 11,000円(税込)
  • 企業に属している方(出向または派遣の方も含む)は、対象外です。
  • お申込み者が大学所属名でも企業名義でお支払いの場合、対象外です。

アーカイブ配信セミナー

  • 「ビデオグ」を使ったアーカイブ配信セミナーとなります。
  • 当日のセミナーを、後日にお手元のPCなどからご視聴ができます。
  • お申し込み前に、 視聴環境 をご確認いただき、 視聴テスト にて動作確認をお願いいたします。
  • 視聴期間は2023年2月20日〜3月7日を予定しております。ご視聴いただけなかった場合でも期間延長いたしませんのでご注意ください。
  • セミナー資料は、PDFファイルをダウンロードいただきます。
  • ご自宅への書類送付を希望の方は、通信欄にご住所・宛先などをご記入ください。
  • ご視聴は、お申込み者様ご自身での視聴のみに限らせていただきます。不特定多数でご覧いただくことはご遠慮下さい。
  • 講義の録音、録画などの行為や、権利者の許可なくテキスト資料、講演データの複製、転用、販売などの二次利用することを固く禁じます。
本セミナーは終了いたしました。
セミナーの再開催を依頼する
ページのトップヘ

これから開催される関連セミナー

開始日時 会場 開催方法
2026/3/2 マテリアルズインフォマティクスの動向と少ないデータへの適用事例 オンライン
2026/3/9 生成AIによる特許調査・分析の現状と実務への適用 オンライン
2026/3/9 AI外観検査の最新動向と導入、運用ポイント オンライン
2026/3/10 Pythonを用いた高分子材料の画像解析入門 オンライン
2026/3/10 スペクトル・イメージデータへの機械学習の応用 オンライン
2026/3/11 生成AIとPython/LangChainを活用した次世代AIエージェント構築ワークショップ オンライン
2026/3/13 開発・生産現場で諸課題を解決に導くデータ駆動型手法 / ディープニューラルネットワークモデル / MTシステムの基礎と応用 オンライン
2026/3/16 小規模実験の自動化による研究開発の効率化と再現性向上 オンライン
2026/3/16 Excel・Pythonで学ぶ製造業向けデータ解析と実務への応用 オンライン
2026/3/17 Excel・Pythonで学ぶ製造業向けデータ解析と実務への応用 オンライン
2026/3/18 工学・心理実験のための統計的思考とPython実践 オンライン
2026/3/18 AI外観検査の最新動向と導入、運用ポイント オンライン
2026/3/19 AIの選択・精度・効率・構造・コストなどの最適化原理 オンライン
2026/3/23 工学・心理実験のための統計的思考とPython実践 オンライン
2026/3/23 データ同化とベイズ最適化を組み合わせた物質探索手法 オンライン
2026/3/24 データ同化とベイズ最適化を組み合わせた物質探索手法 オンライン
2026/3/26 データ駆動型の化学・材料関連研究の最新動向と小規模データの活かし方 オンライン
2026/3/30 フィジカルAI時代における知能化センシングの基礎と応用 オンライン
2026/3/31 フィジカルAI時代における知能化センシングの基礎と応用 オンライン
2026/3/31 Pythonで学ぶデータ解析・機械学習を理解するための線形代数入門 オンライン
ページのトップヘ