ディープラーニングの基礎と実践

ディープラーニングをはじめて学ぶ方にも最適な講座！
基礎から具体的な実践方法をわかりやすく解説します

セミナー講師

(株)ネクステージ AIアナリスト　太田 桂吾 氏

セミナー受講料

55,000円（税込、資料付）
■ セミナー主催者からの会員登録をしていただいた場合、1名で申込の場合49,500円、
　 2名同時申込の場合計55,000円（2人目無料：1名あたり27,500円）で受講できます。
（セミナーのお申し込みと同時に会員登録をさせていただきますので、
　  今回の受講料から会員価格を適用いたします。）
※ 会員登録とは
　 ご登録いただきますと、セミナーや書籍などの商品をご案内させていただきます。
　 すべて無料で年会費・更新料・登録費は一切かかりません。
　 メールまたは郵送でのご案内となります。
　 郵送での案内をご希望の方は、備考欄に【郵送案内希望】とご記入ください。

受講について

Zoomを使ったWEB配信セミナー受講の手順

1. Zoomを使用されたことがない方は、こちらからミーティング用Zoomクライアントをダウンロードしてください。ダウンロードできない方はブラウザ版でも受講可能です。
2. セミナー前日までに必ず動作確認をお願いします。
3. 開催日直前にWEBセミナーへの招待メールをお送りいたします。当日のセミナー開始10分前までに招待メールに記載されている視聴用URLよりWEB配信セミナーにご参加ください。

• セミナー資料は開催前日までにお送りいたします。
  ご自宅への送付を希望の方はコメント欄にご住所などをご記入ください。
  開催まで4営業日～前日にお申込みの場合、セミナー資料の到着が、開講日に間に合わない可能性がありますことご了承下さい。
• 無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。

セミナー趣旨

　機械学習／ディープラーニングに取り組むために初歩の理論と実践の方法を学びます。
　前半はなるべく数式を使用せず、データ処理、機械学習を説明します。後半は、ディープラーニングの基礎を解説し、Windowsでの環境構築方法から、自身のもつデータを分析する実践方法をデモ形式にて解説します。
　講演後、すぐにディープラーニングを実践できることを目標とします。

受講対象・レベル

ディープラーニングに興味があり、実践したい方

必要な予備知識

特に予備知識は必要ありません

習得できる知識

・データ処理の基本（理論と実践）
・機械学習／ディープラーニングの基本（理論と実践）

セミナープログラム

１.機械学習／ディープラーニングを行う際に必要なデータ処理の基本
　1-1 データの定義
　1-2 扱うデータの特性を把握する
　（1）時間軸/場所の考慮
　（2）データを発生させるもの
　1-3 データの前処理
　（1）データの抜け、異常値への対応
　（2）データの量を調整する（増やす／減らす）
　（3）データの次元を削減する
　1-4 ディープラーニングの精度を上げるためにどのようなデータを用意するか？
　（1）必要となるデータの量
　（2）データクレジング
　（3）フレームワークでの処理
　1-5 サンプルデータの説明
　（1）デモで使用するサンプルデータの説明

２．機械学習／ディープラーニングの数理・確率論～対象物を数値情報へ変換する～
　2-1 分布
　2-2 次元とベクトル
　2-3 画像を数値情報へ変換する
　2-4 言語を数値情報へ変換する
　2-5 音を数値情報へ変換する
　2-6 状態を数値情報へ変換する

３．機械学習の基礎と実践
　3-1 機械学習の基本
　（1）データがモデルをつくる
　（2）学習結果をどう受け取るべきか
　3-2 学習の種類
　（1）教師あり学習の基本
　（2）教師なし学習の基本
　（3）強化学習の基本
　3-3 結果の分類
　（1）回帰
　（2）クラス分類
　3-4 Windowsで機械学習環境をオープンソースにて構築
　（1）使用可能なオープンソース一覧
　（2）Pythonの設定（Windows7端末の例）
　3-5 サンプルデータを機械学習で処理
　（1）何を導き出したいか？の定義
　（2）使用できるモデルは？
　（3）Pythonを実行し結果を得る
　3-6 機械学習のプログラム解説

４．ディープラーニングの基礎と実践
　4-1 機械学習とディープラーニングの違いは？
　（1）ニューラルネットワークとは
　（2）生じた誤差の吸収
　（3）特微量の抽出／学習の方法
　4-2 ディープラーニングを分類し、その特徴を把握する
　（1）畳み込みニューラルネットワーク CNN（Convolutional Neural Network）
　（2）再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
　（3）強化学習 (Deep Q-learning)
　4-3 Windowsでディープラーニング環境をオープンソースにて構築
　（1）TensorFlow
　（2）Chainer
　4-4 サンプルデータをディープラーニングで処理
　（1）TensorFlowで動かし結果を得る
　（2）Chainerで動かし結果を得る
　4-5 ディープラーニングのプログラム解説
　（1）TensorFlowの解説
　（2）Chainerの解説
　4-6 解析結果の考察とチューニング
　（1）TensorFlow
　（2）Chainer
　4-7 精度を上げるためにいかにパラメータを最適化するか？
　4-8 過学習の判断基準
　4-9 その他、実践にあたり注意すべきこと

５．このセミナーだけで終わらせないために
　5-1 twitter／ブログを通じた情報の収集
　5-2 より高速な環境を求める場合

ディープラーニング,deep learning,深層学習,機械学習,AI,セミナー