化学品の市場調査、研究開発の支援、マーケット情報の出版

CMCリサーチセミナーのご案内

       開催日時:2017年5月11日(木)10:30~16:30 
       会  場:ちよだプラットフォームスクウェア 502会議室  → 会場へのアクセス 
            〒101-0054 東京都千代田区神田錦町3-21
       受 講 料:49,000円(税込) ※ 資料代含
             * メルマガ登録者は 44,000円(税込)
             * アカデミック価格は 35,000円(税込)
            パンフレット
 
 ★ アカデミック価格:学校教育法にて規定された国、地方公共団体、および学校法人格を有する大学、大学院の教員、学生に限ります。
 ★ 2名同時申込で両名とも会員登録をしていただいた場合2人目は無料です。
 
お申し込み受付中

申込方法

 セミナー参加のお申込は、下記のカートへの投入、あるいはFAX用紙にてお願いします。折り返し、聴講券、会場地図、請求書を送付いたします。

   FAX申込用紙PDF 
 [メルマガ登録者はこちらから]
 弊社のメルマガ登録者は、参加費が10%引きになります。メルマガ登録をされていない方で、登録をご希望の方は、メルマガ登録を行ってから、セミナー参加を、お申込ください。 → メルマガ登録ページ 
 メルマガ登録者のセミナー参加は、下記のカートへの投入によってお申込ください。 また、FAX申込用紙でお申込の場合は、FAX申込用紙のメルマガ登録の項にチェックをお願いします。
   FAX申込用紙PDF 
 [アカデミック価格申込者はこちらから]
   FAX申込用紙PDF 
 

講 師

 太田桂吾 氏  応用技術㈱ ソリューション本部

【講師経歴】
 1990年3月 岡山大学文学部卒業
 同年4月 応用技術㈱入社 多くのWEBシステム構築に携わる。
 近年はデータマイニング技術の応用に携わる。ネットワークスペシャリスト

【活 動】
 一般企業向けの機械学習・ディープラーニングセミナー開催を多数している。

セミナーの趣旨

 機械学習/ディープラーニングの専門書は多く出版されていますが、数学の知識が前提であり、特定の分野にスポットをあてたものが多いのが現状です。本セミナーでは、データとは何かの定義から、ディープラーニングまで平易に解説し、セミナーが終わればすぐに実践できることを目指します。

セミナー参加対象者

 データ処理・機械学習・ディープラーニングをこれから始めたい人

セミナーで得られる知識

 ① データ処理の基本
 ② 機械学習の基本
 ③ ディープラーニングの基本
 ④ Windows+オープンソース環境で作る機械学習 ・ ディープラーニング開発環境とその動かし方

プログラム

  ※ 適宜休憩が入ります。

1. データ処理の基本
 1)データの定義
 2)扱うデータの特性を把握する
  a)時間軸/場所の考慮
  b)データを発生させるもの
 3)データの前処理
  a)データの抜け、 異常値への対応
  b)データの量を調整する(増やす/減らす)
  c)データの次元を削減する
 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?
  a)必要となるデータの量
  b)データクレジング
  c)フレームワークでの処理
 5)サンプルデータの説明
  a)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~
 1)分布
 2)次元とベクトル
 3)画像を数値情報へ変換する
 4)言語を数値情報へ変換する
 5)音を数値情報へ変換する
 6)状態を数値情報へ変換する

3. 機械学習の基礎と実践
 1)機械学習の基本
  a)データがモデルをつくる
  b)学習結果をどう受け取るべきか
 2)学習の種類
  a)教師あり学習の基本
  b)教師なし学習の基
  c)強化学習の基本
 3)結果の分類
  a)回帰
  b)クラス分類
 4) Windowsで機械学習環境をオープンソースにて構築
  a)使用可能なオープンソース一覧
  b)Pythonの設定(Windows7端末の例)
 5) サンプルデータを機械学習で処理
  a)何を導き出したいか?の定義
  b)使用できるモデルは?c)Pythonを実行し結果を得る
 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
 1)機械学習とディープラーニングの違いは?
  a)ニューラルネットワークとは
  b)生じた誤差の吸収
  c) 特微量の抽出/学習の方法
 2)ディープラーニングを分類し、その特徴を把握する
  a)畳み込みニューラルネットワーク CNN(Convolutional Neural Network)
  b)再帰型ニューラルネットワーク RNN(Recurrent Neural Network)
  c)強化学習(Deep Q-learning)
 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
  a)TensorFlow
  b)Chainer
 4)サンプルデータをディープラーニングで処理
  a)TensorFlowで動かし結果を得る
  b)Chainerで動かし結果を得る
 5)ディープラーニングのプログラム解説
  a)TensorFlowの解説
  b)Chainerの解説
 6)解析結果の考察とチューニング
  a)TensorFlow
  b)Chainer
 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?
 8)過学習の判断基準
 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
 1)twitter/ブログを通じた情報の収集
 2)より高速な環境を求める場合
 

 
 
 
 
 
 
関連セミナー


 
関連書籍