基礎講座

Python とは、および、そのインストール方法

この講義の特徴と、プログラム言語におけるPython の位置づけ、およびPython のインストール方法を学びます。
また、Python のエディターと構成および組込み関数について説明します。

Python の基本的パッケージの利用

四則演算とPandas, NumPy, Matplotlib などの基本的パーケージの使い方を学び、グラフを描きます。
また、古典統計とベイズ統計の違い、分散、標準偏差、不変分散また鶴亀算などをPythonを使って計算します。

ユーザー定義関数と統計的なグラフ化

文字列やベクトル計算の方法を学び、自分で関数を定義するユーザー定義関数の方法を学びます。
また、アヤメのデータを使用して箱ひげ図、ヒストグラム、散布図、回帰線などのグラフ化をMatplotlibとSeabornを比較して行います。

アヤメのデータのグラフ化と検定

データの標準化、最小二乗法、確率的勾配降下法、過学習、多重共線性など誤差に関することを学びます。
また、その対策としての正則化、重回帰、主成分分析、仮説検定などの方法をPython で実行します。

AI の考え方とアヤメのデータによる決定木

AI に使われる機械学習の概念について学んだ後、Graphviz をインストールしアヤメのデータを使用して決定木で分類してみましょう。
この際の基礎となる正答率、適合率、再現率、およびロジスティック回帰の考え方のについて学びます。

ランダムフォレストとサポートベクターマシン（SVM)

ロジスティック回帰で使用するロジスティック関数、シグモイド関数について学びアヤメのデータを使用してロジステック回帰を行います。
また、ランダムフォレスト、サポートベクターマシン、およびオブジェクトとクラスについても実例で学びます。

多重共線性と各種の回帰法の比較

多重共線性とそれを避けるためのRidge 回帰、Lasso 回帰、ElasticNet 回帰について学び、アヤメのデータを使用して、それぞれの回帰法の比較を行います。
また、手書き文字のデータセットを使用してSVM で数字認識を行います。

住宅価格と回帰分析とゴム材料の最適化

ボストンの住宅価格のデータセットを使用して今まで学んだ重回帰、主成分、部分的最小二乗、ElasticNet による比較分析を行います。
また、AIを用いたゴムの加硫最適化を計算します。

ニューラルネットワークの基礎

ニューラルネットワークを学ぶために必要な微分、配列計算、およびパーセプトロンと活性化関数による論理回路を勉強し、ニューラルネットワークにおける回帰と分類を行います。
また、誤差逆伝播法についても実例で学びます。

ディープラーニングの入門

ニューラルネットワークによる曲線の回帰と分類を行います。
また、多層化をしてディープラーニングを行うための問題点と、その対策のための最適アルゴリズム、データの前処理法、Dropoutをアヤメのデータを使用して学びます。

ディープラーニングの基礎

畳み込み演算について学び、手書き文字のデータセットでディープラーニングを応用してみます。
ディープラーニングのコーディングが簡単になるTensorFlowとKerasをインストールし論理回路と手書き文字に応用します。

ディープラーニングの応用と今後の学び方

Kerasを使用して10 種類の画像を分類する方法を学びます。
また、機械学習を材料などに応用しているテキストの共同著者である大企業で活躍している専門家を招き、研修後の更なる学び方について議論を行います。