機械学習・ディープラーニング・人工知能 (AI) 技術の流行により、自社で埋もれている大量のデータやビッグデータを分析し業務に役立てるデータサイエンスの重要性はますます高まっており、データサイエンティストの育成が様々な分野で非常に重要になっています。
　本セミナーはこのようなニーズに応える事を目的として企画されており、より正確には機械学習を用いたデータ分析の手法を実務的な観点から習得して頂く事を目的としています。さて、機械学習のアルゴリズム自体は書籍を参照しライブラリを利用することができても、実際にデータをどう扱って処理し、活かしていけばよいか分からない、という声がよく聞かれます。また関連の情報も不足しているように見受けられます。データの前処理や分析の正しいやり方・手順を理解していなければ、質の高い分析結果に至ることはできず、誤った判断を下してしまう危険性もあります。加うるに機械学習の急速な進展からか、誤った方法による分析結果が提出されることも多く、受け取る側の方でも正しい評価指標によりそれを判断することが求められます。
　本セミナーでは、具体的にデータ分析の正しいやり方・手順を学び、自分自身でデータ分析を行えるようになる事、または他者のデータ分析結果を評価できるようになることを目指します。

1. データの前処理・扱い方
   1. データ分析のためのデータ形式
   2. 特徴量 (説明変数) の分類
   3. カテゴリ変数の扱い方
   4. 欠損値の扱い方
   5. データの正しい可視化方法
   6. データ収集・整形時の注意点
2. 機械学習の基本と利用時の留意点
   1. 機械学習とは
   2. 機械学習の代表的な分類
   3. 代表的なアルゴリズム
   4. データ特性に応じた手法の選択
   5. ディープラーニングとは
   6. ディープラーニングの使いどころ
3. 分析結果の評価法
   1. 回帰モデルの評価基準
   2. 分類 (識別) モデルの評価基準
   3. 精度以外の評価基準の重要性
   4. 適合率・再現率・F値
   5. ROC曲線・AUC
4. 機械学習によるデータ分析のすすめ方
   1. パラメータ調整の必要性とその方法
   2. 過学習とその対策 (交差検証法など)
   3. バイアスとバリアンスについて
   4. 学習曲線による現状の把握
5. ビジネスへの適用について
   1. 分析結果を現場にどう受け入れてもらうか
   2. 機械学習の前にやるべきことはないか
   3. 実運用時の課題
   4. 分析結果の公平性
   5. 真実は常に一つ?
   6. ディスカッション