r2410106
※本セミナーはZoomを使ったWEBセミナーです。在宅、会社にいながらセミナーを受けられます。
『Pythonで学ぶ機械学習による異常検知入門セミナー【LIVE配信】』
|
| 開催日時 |
2024年10月21日（月） 10:30～16:30 |
| 開催場所 |
【WEB限定セミナー】※会社やご自宅でご受講下さい。
|
| 価格 |
非会員： 55,000円 （本体価格：50,000円）
会員： 44,000円 （本体価格：40,000円）
学生： 55,000円 （本体価格：50,000円）
 |
| 価格関連 |
会員の方あるいは新規会員登録していただくと、下記の割引が適用されます。
・1名申込の場合、55,000円（税込）→44,000円（税込）
・2名同時申込の場合、合計110,000円（税込）→合計55,000円（税込）
※両名の会員登録が必要です。
|
| 備 考 |
・セミナー資料は開催前日までにお送りいたします。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。
【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。
|
| 主 催 |
R&D支援センター |
※請求書、招待メール等は、R&D支援センター社より送付いたします。
| 講師 |
大阪大学 産業科学研究所 准教授 博士（情報科学） 福井 健一 氏
＜専門＞
人工知能・機械学習
＜略歴＞
2005年7月～2010年3月 大阪大学 産業科学研究所 新産業創造物質基盤技術研究センター 特任助手（2007年度より職名改名により特任助教）
2010年4月～2015年6月大阪大学 産業科学研究所 第１研究部門（情報・量子科学系） 助教
2015年7月～現在 同 准教授
＜学会活動＞
情報処理学会論文誌編集委員 (2011年度～2014年度)
人工知能学会編集委員（2014年度～2017年度）
情報処理学会論文誌：数理モデル化と応用(TOM) 編集委員（2015年度～2018年度）
電子情報通信学会人工知能と知識処理研究専門委員会委員 (2017年度～現在)
電子情報通信学会和文論文誌D 編集委員 (2017年度～2019年度)，幹事（2020年度～2021年度）
人工知能学会理事（2020年度～2021年度）
人工知能学会代議員（2021年度～現在） |
| 受講対象・レベル |
・機械学習やディープラーニングに取り組んで間もない方
・これから業務で機械学習による異常検知を導入したい方
・Python等のツールを使いたい方、使いこなしたい方（Python初心者も歓迎） |
| 必要な予備知識 |
・大学初等数学、情報系学部程度のプログラミング知識（Python以外でも良い）を持っていることが望ましい。 |
習得できる
知識 |
・機械学習全般に関する体系的理解（俯瞰的知識）
・機械学習による異常検知の代表的な手法
・上記のPythonによる実装方法 |
| 趣旨 |
本セミナーでは、機械学習全般に共通する基本的な概念、そして特に要望の多い異常検知の理論や手法を解説します。Pythonについても基本的な構文から説明し、
機械学習ライブラリとして有名なscikit-learnを用いた実装の解説し、機械学習の理解を深めます。初学者にも分かるように、なるべく数式は用いずに概念と利用方法を丁寧に解説します。機械学習による異常検知について、これから本格的な勉強もしくは導入を始める前に概要と雰囲気を掴むには最適かと思います。
|
| プログラム |
１．機械学習の概要
1.1 ビッグデータ時代
1.2 機械学習とは？
1.3 機械学習の分類
1.4 教師あり学習
1.4.1 識別
1.4.2 回帰
1.5 教師なし学習
1.5.1 モデル推定
1.5.2 パターンマイニング
1.6 半教師あり学習
1.7 深層学習（ディープラーニング）の発展
1.8 強化学習
２．機械学習の基本的な手順
2.1 前処理
2.2 主成分分析による次元圧縮
2.3 バイアスとバリアンス
2.4 クロスバリエーションによる評価
2.5 簡単な識別器：k-近傍法
2.6 評価指標：Accuracy，F値，ROC曲線
３．Pythonの基礎と機械学習の実装方法（Python解説）
3.1 Pythonの基本
3.2 Scikit-learnを用いた機械学習の実装方法
3.3 k近傍法による識別
４．機械学習による異常検知
4.1異常検知の基本的な考え方
4.2 性能評価の方法
4.3 ホテリング理論による異常検知
4.4 主要な異常検知法
4.4.1 One-class Support Vector Machine
4.4.2 Local Outlier Factor
4.4.3 Isolation Forest
4.4.4 Deep Learningによる異常検知
4.5 各種異常検知法の比較（Python解説）
--- 質疑応答 ---
|
|
|