機械学習実践コース

・Python・機械学習を学びたいが、何から始めればいいのかわからない方
・データサイエンティストとしてデータ分析力と実装力を両方身につけたい方
・実データに対してのアプローチを体系的に学び、問題解決能力を高めたい方

IT基礎知識
プログラミング経験があることが望ましい
オンライン3日間の受講の前に補助動画(標準視聴目安時間495分)の視聴が必須です。

・データ分析の基礎と機械学習の実装方法を習得できている
・ケースに応じた手法を選択し、評価指標を用いて判断できている
・データから課題を見出し、解決するためのアプローチを自身で考えられている

【事前学習】
Python & 機械学習入門(8時間)

【1日目】
イントロダクション
・イントロダクション
プログラミング演習(予習内容の復習)
・Google Colaboratory の準備
・Python 演習
Pandas と Matplotlib によるデータ探索
・Pandasでテータヘース操作
・Matplotlibてクラフの描画
・scikit-learnで重回帰分析
教師あり学習:回帰 Ⅰ - Ⅰ
・回帰分析の理論
・回帰分析の実装
・重回帰分析
教師あり学習:回帰 Ⅰ- Ⅱ
・回帰分析の応用手法の理論
・回帰分析の応用手法の実装
・Lasso 回帰
・Ridge 回帰
データ前処理の基礎
・データ前処理の整理
・データ前処理の基礎実装
・重複行への対応
・欠損値補完・除去
・特徴量変換 - カテゴリカル変数の取り扱い
・正規化 / 標準化
・予測モデル構築
教師あり学習:回帰 Ⅱ
・その他の回帰手法の理論
・その他の回帰手法の実装
・ PLS(Partial Least Square Regression)
・サポートベクターマシン
・ニューラルネットワーク
演習Ⅰ
・車の価格予測モデル構築
・実装発表

【2日目】イントロダクション
・イントロダクション
・Day1 の復習
演習Ⅰ- 解説
・演習の解説
・データ前処理の応用実装
・ 外れ値除去 : 3σ法とハンペル判別法
・ 特徴エンジニアリング
教師あり学習:分類
・分類モデルの理論
・分類モデルの実装
・ロジスティク回帰
・決定木
・サポートベクターマシン
・アンサンブル学習
分類モデルの評価
・モデルの評価方法の理論
・モデルの評価方法の実装
不均衡データへのアプローチ
・不均衡データへのアプローチの種類
・アプローチの実装
・閾値調整
・(補足:重み調整)
・DownSampling
・OverSampling
精度向上のアプローチ
・精度向上のアプローチの種類
・ハイパーパラメータチューニングの実装
・Grid Search
・Random Search
・ベイズ最適化(Optuna)

【3日目】
イントロダクション
・イントロダクション
・Day2 の復習
演習Ⅱ
・ 分類予測モデル構築
演習Ⅱ- 解説
・実装発表
・演習の解説
教師なし学習
・教師なし学習の理論
・教師なし学習の実装
・クラスタリング
・主成分分析
総演習
・ダイレクトマーケティングキャンペーンの予測モデル構築
総演習- 解説
・実装発表
・演習の解説
アウトロダクション
・おすすめ学習書籍やコンテンツの紹介
・スキルチェックテスト
・アンケート