セミナー　Web配信　Zoom　Python　病態予測　株式予測　複雑な予測　機械学習　教師あり学習　分類問題　回帰問題　教師なし学習　次元圧縮　クラスター解析　Excel　NumPy　matplotlib　scikit-learn　Jupiter　Anaconda　k-分割交差検証　分類器　Random Forest　AdaBoost　Naive Bayes　サポートベクターマシン　SVM　最小二乗法　次元圧縮　次元の呪い　過学習　主成分分析　クラスタリング　k-means法　深層学習　畳み込みニューラルネットワーク　CNN　再帰型ニューラルネットワーク　RNN　物体検出　メドインフォ　嵜山陽二郎

S210514AW1

　☆☆☆本セミナーは、Zoomを使用して、行います。☆☆☆

開催日時：2021年5月14日（金）10:30-16:30
受講料：お1人様受講の場合　51,700円[税込]／1名
　　　　　1口でお申込の場合　62,700円[税込]／1口（3名まで受講可能）

　★本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、
　お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。

　★インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。
　講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。

　★受講中の録音・撮影等は固くお断りいたします。

　　　株式会社メドインフォ　代表取締役（医学博士）

＜略歴、等＞

　1993年　東京大学　医学系研究科　博士課程　終了。
　1993年～2014年　製薬企業にて統計解析実務および社員教育に従事。
　2015年～　株式会社メドインフォ設立、代表取締役。
　　他にも、これまで40報を超える学術論文を執筆し^1,2)、非臨床・臨床研究の解析手法において多数の研究業績を有する。国際学会発表5回、国際薬物動態予測学会の座長、製薬企業スタッフ対象の講演会など多数の実績あり。現在運営中のサイト「統計解析 - Python・R・エクセルを使った講義で最速マスター」は10万PVを超える人気サイトとなっている³⁾ 。著書に、「医師・看護師のための統計学ポイント＆アドバイス77 東京図書」がありわかりやすい統計学の教科書として絶賛発売中⁴⁾。
　1)　Sakiyama Y., Ohashi K. and Takahashi Y. Application of nonlinear regression model to sigmold dose-response relationship in pharmacological studies. Nippon Yakurigaku Zasshi 2008, 132: 199-206.
　2)　Sakiyama Y. The use of machine learning and nonlinear statistical tools for ADME prediction. Expert Opinion of Drug Metabolism and Toxicology, 2009, 5: 149-169.
　3)　統計解析 - Python・R・エクセルを使った講義で最速マスター（http://statg.com/）
　4)　医師・看護師のための統計学ポイント＆アドバイス77 東京図書

　Pythonは現在流行のプログラミング言語で、これをマスターするだけでも仕事に困らないと言われています。また、オフィスワーク、医療、金融と様々な分野で活用されており、エンジニアを目指す方以外にも勉強しておいて必ず役に立つツールです。さらに、病態の予測や株式の予測のような複雑な予測は、機械学習によりある程度可能になってきております。
　本講座では、先ずPythonの基礎を学びます。初めての方でも、インストール方法含めわかりやすく解説します。次いで、機械学習における教師あり学習（分類問題と回帰問題）および教師なし学習（次元圧縮およびクラスター解析）についてExcelおよびPythonを使ってわかりやすく紹介します。ソースコードもご希望により配布しますので、すぐに実践することが可能です。是非この機会に講座への参加をお待ちしております。

　1　機械学習の基礎知識

　　1.1　機械学習とは
　　1.2　Pythonと機械学習
　　1.3　環境構築
　　　1.3.1　OSとフレームワーク
　　　1.3.2　CPUとGPU
　　　1.3.3　NumPy
　　　1.3.4　matplotlib
　　　1.3.5　scikit-learn
　　　1.3.6　Jupiter
　　　1.3.7　Anacondaのインストール
　　　1.3.8　Pythonの実行

　2　分類問題

　　2.1　分類問題とは
　　　2.1.1　学習テストとテストセット
　　　2.1.2　ホールドアウトと交差検証
　　　2.1.3　k-分割交差検証
　　　2.1.4　正答率・適合率・再現率・F値・ROC曲線下面積
　　2.2　いろいろな分類器
　　　2.2.1　決定木
　　　2.2.2　Random Forest
　　　2.2.3　AdaBoost
　　　2.2.4　Naive Bayes
　　　2.2.5　サポートベクターマシン（SVM）
　　　2.2.6　薬物動態データでの適用事例

　5　クラスタリング

　　5.1　階層的クラスタリング手法
　　　5.1.1　Excelによる最短距離法
　　　5.1.2　Excelによるウォード法
　　5.2　非階層的クラスタリング手法
　　　5.2.1　k-means法
　　　5.2.2　自己組織化マップ
　　　5.2.3　scikit-learnを用いたデータのクラスタリング

『Pythonによる機械学習の基礎とポイント』

S210514AW1

嵜山陽二郎（さきやまようじろう）　氏

株式会社メドインフォ　代表取締役（医学博士）

1　機械学習の基礎知識

2　分類問題

3　回帰問題

3.1　回帰問題の基礎
　　　3.1.1　最小二乗法
　　　3.1.2　線形単回帰
　　　3.1.3　線形重回帰

4　次元圧縮

4.1　次元の呪い
　　　4.1.1　過学習
　　　4.1.2　情報量規準
　　4.2　次元圧縮
　　　4.2.1　主成分分析
　　　4.2.2　主成分得点・固有値・因子負荷量

5　クラスタリング

6　深層学習

6.1　機械学習から発展した深層学習
　　　6.1.1　畳み込みニューラルネットワーク（CNN）
　　　6.1.2　再帰型ニューラルネットワーク（RNN）
　　　6.1.3　物体検出

7　おわりに

『Pythonによる機械学習の基礎とポイント』

S210514AW1

嵜山陽二郎（さきやまようじろう） 氏

株式会社メドインフォ 代表取締役（医学博士）

1 機械学習の基礎知識

1.1 機械学習とは 1.2 Pythonと機械学習 1.3 環境構築 1.3.1 OSとフレームワーク 1.3.2 CPUとGPU 1.3.3 NumPy 1.3.4 matplotlib 1.3.5 scikit-learn 1.3.6 Jupiter 1.3.7 Anacondaのインストール 1.3.8 Pythonの実行

2 分類問題

3 回帰問題

3.1 回帰問題の基礎 3.1.1 最小二乗法 3.1.2 線形単回帰 3.1.3 線形重回帰

4 次元圧縮

4.1 次元の呪い 4.1.1 過学習 4.1.2 情報量規準 4.2 次元圧縮 4.2.1 主成分分析 4.2.2 主成分得点・固有値・因子負荷量

5 クラスタリング

5.1 階層的クラスタリング手法 5.1.1 Excelによる最短距離法 5.1.2 Excelによるウォード法 5.2 非階層的クラスタリング手法 5.2.1 k-means法 5.2.2 自己組織化マップ 5.2.3 scikit-learnを用いたデータのクラスタリング

6 深層学習

6.1 機械学習から発展した深層学習 6.1.1 畳み込みニューラルネットワーク（CNN） 6.1.2 再帰型ニューラルネットワーク（RNN） 6.1.3 物体検出

7 おわりに

『Pythonによる機械学習の基礎とポイント』　

　嵜山陽二郎（さきやまようじろう）　氏　

　　　株式会社メドインフォ　代表取締役（医学博士）

　1　機械学習の基礎知識

　2　分類問題

　3　回帰問題

　　3.1　回帰問題の基礎
　　　3.1.1　最小二乗法
　　　3.1.2　線形単回帰
　　　3.1.3　線形重回帰

　4　次元圧縮

　　4.1　次元の呪い
　　　4.1.1　過学習
　　　4.1.2　情報量規準
　　4.2　次元圧縮
　　　4.2.1　主成分分析
　　　4.2.2　主成分得点・固有値・因子負荷量

　5　クラスタリング

　6　深層学習

　　6.1　機械学習から発展した深層学習
　　　6.1.1　畳み込みニューラルネットワーク（CNN）
　　　6.1.2　再帰型ニューラルネットワーク（RNN）
　　　6.1.3　物体検出

　7　おわりに