Pythonを使って機械学習の環境、できれば時系列データ分析、 ベイズ & MCMC (マルコフ連鎖モンテカルロ法) 、ディープラーニングに必要な最低限の環境までを整えたいものの、 どうしてよいかわからない。そんな悩みをよくお伺いします。これまでPythonとRを中心にゼロから機械学習環境を構築し、実際の運用まで展開するワークショップを開催してまいりました。
　そのなかで、受講者がつまずきやすいところ、わかりにくいところについてブラッシュアップを重ね、 おかげさまでワークショップはいつも盛況となっています。 本ワークショップにおいても、「習うより慣れろ」でまずPythonの実装からはじめて、 演習を通じて機械学習の初歩から応用までの知識をブラッシュアップします。

1. Pythonの基本的な実習
2. Python拡張ライブラリNumpy, Pandasの演習
3. Python機械学習ライブラリscikit – learnの演習
4. 回帰分析・重回帰分析・ロジスティクス回帰
5. 時系列分析の概要と演習
6. クラスタリング・非階層クラスタリングの演習
7. 主成分分析・因子分析の概要・演習
8. サポートベクターマシンの概要と演習
9. アンサンブル学習:バギング・ランダムフォレストの概要と演習
10. 階層ベイズとMCMC (マルコフ連鎖モンテカルロ法) の概要と演習
11. ニューラルネットとディープラーニングの概要と演習

ワークショップの特徴

　本ワークショップは、まず、Pythonを実装して、機械学習実務入門レベル「Plus」の知識を 演習中心のトレーニングを通じて効率よく習得して、 内部動作にも詳しくなることを目指します。 Jupyter – notebookの操作やmatplotlibによる可視化もレクチャーしますので、 かなり上級レベルの知識でも実演や可視化を通じて直感的に学べます。
　Python機械学習実務入門知識に「Plus」して、 一般のPythonセミナーや機械学習セミナーではカバーされることがない「時系列分析」、 「ベイズ & MCMC (マルコフ連鎖モンテカルロ法) 」、「ニューラルネットとディープラーニング」についても 本ワークショップでは演習しながら解説します。
　本ワークショップ受講前に確率統計や線形代数や微積分など数学の知識は必要ありませんが、 機械学習やTensorflowで必要となる確率統計や線形代数や微積分など数学の知識について学習されたい方は、 本ワークショップ受講後に参考書籍『Python機械学習プログラミング』の10～11章で確認して下さい。 ただし、「時系列分析」、 「ベイズ & MCMC (マルコフ連鎖モンテカルロ法) 」については 『Python機械学習プログラミング』ではカバーされていませんので、 確認されたい方は本ワークショップ受講後に当日配布資料で確認して下さい。
　質疑応答を交わしながら機械学習の考え方とPythonの実装法が身に付く、大変貴重なワークショップです。 是非、ご参加をご検討下さい。皆様のご参加をお待ちしています。