機械学習の入門講座 (セミナー) は、巷にたくさんありますが、理論と実践が揃って、はじめて現場で使える技術とになります。
　本セミナーでは、機械学習の理論的側面のみではなく、コンピュータを用いた実践演習を通して、理解を深めていきます。同時に、実践演習では、最近様々な分野で、注目を集めているコンピュータ言語Pythonと機械学習ライブラリ (scikit – learn) を用います。従って、純粋に最近流行りのPythonを学びたい人から、業務でデータ処理・解析をしたい人まで、幅広い方を対象としています。
　特に、日々大量のデータを扱っていて、そのデータの山から知識を抽出したいと思っている方が最適な受講対象者となります。Pythonでコーディングした経験がない人も歓迎しますが、実践演習を通して学んでいきますので、他の言語によるプログラミングや、コンピュータ (アプリケーションソフトウェア) によるデータ処理の経験がある方が望ましいです。

1. はじめに
   1. 講師自己紹介
   2. セミナーの狙い
2. 演習環境の構築
   1. Pythonのインストール (ディストリビューションAnaconda利用)
   2. 各種ライブラリのインストール
      • NumPy
      • SciPy
      • matplotlib
      • IPython
      • pandas
      • mglearn
      • scikit-learn
   3. 統合開発環境Spyderのインストール
   4. Pythonの実行方法
      • インタプリタ
      • コマンド渡し
      • 統合開発環境
3. Python入門講座
   1. Pythonの特徴
   2. なぜいまPythonか?
   3. Pythonの基本文法
   4. コーディング方法 (統合開発環境Spyderの使い方含む)
   5. 各種ライブラリの使い方
      • NumPy
      • SciPy
      • matplotlib
      • scikit-learn
      • mglearnなど
   6. 機械学習アルゴリズムの実装方法
   7. サンプルコードを用いた実践演習
   8. 参考書・情報源の紹介
4. 機械学習概論
   1. 機械学習の概要
   2. 三大学習法
      • 教師あり学習
      • 教師なし学習
      • 強化学習
   3. 機械学習データセットの紹介
   4. 機械学習におけるデータの著作権
   5. 専門書・参考書の紹介
5. 教師あり学習
   1. 教師あり学習の概要
   2. クラス分類と回帰
   3. 過剰適合と適合不足
   4. モデル複雑度と精度
   5. 多クラス分類
   6. 各種教師あり学習アルゴリズムの基礎理論と実践演習
      1. k-最近傍法
         • クラス分類
         • 回帰
      2. 線形モデル
         • 線形回帰
         • Ridge回帰
         • Lasso回帰
         • ロジスティック回帰
      3. サポートベクトルマシン
         • 線形モデル
         • ソフトマージン
         • 非線形モデル
      4. 決定木
      5. アンサンブル学習
         • ランダムフォレスト (Random Forest)
         • アダブースト (AdaBoost)
6. 教師なし学習
   1. 教師なし学習の概要
   2. 次元削減と特徴量抽出
   3. 各種教師なし学習アルゴリズムの基礎理論と実践演習
      1. 主成分分析 (次元削減)
      2. k-平均法 (クラスタリング)
      3. 凝集型クラスタリング
      4. DBSCAN (クラスタリング)
7. 実装上の注意事項
   1. データの前処理 (スケール変換など)
   2. テスト誤差の最小化 (交差検証)
   3. ハイパパラメータの最適化 (グリッドサーチ)
   4. 実データの読み込み方法
8. まとめと質疑応答