昨今注目されている人工知能技術である機械学習・ディープラーニングについて、機械学習をこれから勉強しようとしている初学者の方を対象にして、基礎から産業応用までを易しく解説します。TensorflowやChainerなどのツールの具体的な利用方法についてではなく、機械学習の考え方・種類・特徴・基礎手法・ディープラーニングの原理・特徴・課題,産業界で機械学習をどのように利用すべきか?など、機械学習の現状と課題・将来展望について概観することを目的とします。

1. 機械学習とは何か?
   1. 人工知能超入門
      1. 人工知能の歴史
      2. 人工知能の考え方の推移
   2. 機械学習の種類と概要
      1. 帰納学習・演繹学習・発見的学習
      2. 類推学習・強化学習・概念形成
      3. 事例ベース学習
2. 教師あり学習・教師なし学習・半教師あり学習
   1. 特徴空間と識別面
      1. パターン認識と特徴空間
      2. 特徴空間の変換と最適化
   2. 教師あり学習の手法
      1. サポートベクターマシン (SVM) とブースティング
      2. 決定木とランダムフォレスト
   3. 教師なし学習の手法
      1. NN (Nearest Neighbor) 法とk – 平均法
      2. 自己組織化マップ (SOM)
   4. 半教師あり学習の手法
      1. 原理と課題
3. ニューラルネットワークとディープラーニング (深層学習)
   1. 相互結合型神経回路網と階層型神経回路網
      1. 人工神経回路網研究の歴史と基礎
      2. 相互結合型神経回路網
      3. 階層型神経回路網
      4. その他のモデル (リカレント型神経回路網など)
   2. ディープラーニング超入門
      1. 深い階層を実現するための種々の工夫
      2. CNN (Convolutional Neural Network) とその応用
      3. 最近のDNN (Deep Neural Network) モデルのご紹介
      4. ディープラーニングの特徴と課題
   3. ディープラーニングの利用方法
      1. 各種のツール (Tensorflow・Chainerなど) について
      2. Python言語超入門
4. 機械学習・ディープラーニングの応用事例の紹介
   1. 画像処理プロセスの自動構築・最適化
   2. 高精度な画像認識器の自動構築
   3. ロボットの制御プログラム・ルールの最適化
   4. 複雑なデータ間の関係性の自動抽出
   5. 時系列変動データの将来変動予測
   6. その他の問題への応用
5. 機械学習の産業応用
   1. 機械学習の導入の現状と課題
   2. 機械学習の産業応用の将来展望
6. まとめ
• 質疑応答