1口(1社3名まで受講可能)でのお申込は、

受講料 58,800円/1口 が格安となります。


~これから始める~
機械学習によるデータ分析


 S180717K

  

開催日時:2018年7月17日(火) 10:30-16:30

会  場:オームビル(東京都千代田区神田錦町3‐1)
          【地下鉄】
             東西線『竹橋駅』徒歩3分
             三田線・新宿線・半蔵門線『神保町駅』徒歩7分
             新宿線・千代田線『小川町駅』徒歩7分
             丸ノ内線『淡路町駅』徒歩8分
          【JR】
             中央線・山手線・京浜東北線『神田駅』徒歩12分
             中央線・総武線『御茶ノ水駅』徒歩11分


受 講 料:
1人様受講の場合 46,000円[税別]/1名

     1口でお申込の場合 57,000円[税別]/1口(3名まで受講可能)

 

 講 師


  
鴨志田 亮太 氏


      (株)日立製作所
          研究開発グループ 主任研究員
              
 

      
   【講師紹介】
      ご専門および得意な分野・研究:
        機械学習・最適化技術を利用したシステムの研究開発
        データ分析プロセス習熟サポートに関する研究
      本テーマ関連のご活動:
        トップエスイー(http://www.topse.jp/ja/)講師(2018年5月現在)
        未習熟者の機械学習によるデータ分析を支援するPythonライブラリ「MALSS」
         (https://github.com/canard0328/malss)の開発

   【講師のことば】
      今や「データサイエンス」と云う言葉がバズワード化しているにも拘わらず、
      データサイエンティストは学会でも産業界でも大きく不足しており、その人材の
      育成が急務とされています。
       本セミナーはこのようなニーズに応える事を目的として企画されており、より
      正確には機械学習を用いたデータ分析の手法を実務的な観点から習得して頂く事を
      目的としています。さて、機械学習のアルゴリズム自体は書籍を参照しライブラリを
      利用することができても、実際にデータをどう扱って処理し、活かしていけばよいか
      分からない、という声がよく聞かれます。また関連の情報も不足しているように見受
      けられます。データの前処理や分析の正しいやり方・手順を理解していなければ、
      質の高い分析結果に至ることはできず、誤った判断を下してしまう危険性もあります。
      加うるに機械学習の急速な進展からか、誤った方法による分析結果が提出されること
      も多く、受け取る側の方でも正しい評価指標によりそれを判断することが求められます。
       本セミナーでは、具体的にデータ分析の正しいやり方・手順を学び、自分自身で
      データ分析を行えるようになる事、または他者のデータ分析結果を評価できるように
      なることを目指します。


   【受講対象】
      ・データ分析を始めようとしている方
         基本的なデータ分析のやり方・手順を知ることができます
      ・データ分析結果を受け取る方
         分析結果の妥当性を評価することができるようになります
      ・データ分析を依頼する方
         基礎検討を自分達で実施することで付加価値の高い仕事を依頼できます

    【受講後、習得できること】
      ・データ分析プロセスの基礎知識
      ・データの前処理・扱い方(整形方法・欠損値処理等)
      ・分析結果の評価指標・評価方法
      ・分析時の注意点(やり方・手順を誤るとどのような結果となるか)




 講義項目

  1. データの前処理・扱い方
    1.1 データ分析のためのデータ形式
    1.2 特徴量(説明変数)の分類
    1.3 カテゴリ変数の扱い方
    1.4 欠損値の扱い方
    1.5 データの正しい可視化方法
    1.6 データ収集・整形時の注意点

  2. 機械学習の基本と利用時の留意点
    2.1 機械学習とは
    2.2 機械学習によるデータ分析でできること
    2.3 代表的なアルゴリズム
    2.4 データ特性に応じた手法の選択
    2.5 ディープラーニングとは
    2.6 ディープラーニングの使いどころ

  3. 分析結果の評価法
    3.1 回帰モデルの評価基準
    3.2 分類(識別)モデルの評価基準
    3.3 精度以外の評価基準の重要性
    3.4 適合率・再現率・F値
    3.5 ROC曲線・AUC

  4. 機械学習によるデータ分析のすすめ方
    4.1 パラメータ調整の必要性とその方法
    4.2 過学習とその対策(交差検証法など)
    4.3 バイアスとバリアンスについて
    4.4 学習曲線による現状の把握

  5. ビジネスへの適用について
    5.1 データマイニングプロセス「CRISP-DM」
    5.2 事例紹介
      ・分析結果を現場にどう受け入れてもらうか
      ・「機械学習」の前にやるべきことはないか
      ・長期運用時の課題
      ・その分析は解くべき課題を解決するものか
    5.3 ディスカッション



 お1人様      受講申込要領  1口(1社3名まで) 受講申込要領   セミナー 総合日程