深層学習・機械学習Ⅱ
講師 杉山高一先生、山下俊恵先生
授業料 25,000円
＜講義内容＞
深層学習・機械学習Ⅱ（教師あり学習の基本）
主に、第３次AIブームの手法である機械学習は、データを活用する統計学と脳の階層構造モデルのパラメータフォーワードバックワード最適化を基本とした自動的なデータ処理と自動的な統計全般である。機械が自ら学習し続けて、意思決定するまでには至っていない。
本講座では、教師あり学習を紹介する。教師あり学習とは、入力・説明変数（特徴量）xとそれに対応する目的変数・結果・教師・回答またラベルとも呼ぶyを学習して、y=f(x)+誤差の関数fを求める（学習する）。関数fをモデルとも呼ぶ。教師yがカテゴリカルデータ（質的変数、分類、クラス）の時、fは分類モデル、教師yが連続データ（量的変数）の時、fは回帰モデルと呼ぶ。教師あり学習には、分類モデルまたは回帰モデルの学習、次に分類モデルまたは回帰モデルを適用する推論の２つの段階がある。
分類モデルの学習・推論では、カテゴリの予測、カテゴリ・パターンの分類・認識を行い、カテゴリの分類にどの特徴量がどのように影響しているかを分析する。例えば、花の特徴量からその花の種類を認識し、それらの花の分類にどの特徴量がどのように影響しているかを知る。
回帰モデルの学習・推論では、連続量の予測、その予測にどの特徴量がどのように影響しているかを知る。例えば、中古車の特徴量からその価格を予測する。さらに、その価格決定に重要な特徴量を特定し、その特徴量がどのように影響しているかを知る。
回帰モデルのビジネス事例として、重要予測（販売個数、販売量を予測し、仕入れ計画を効率化する）、価格予測（株価や販売価格を予測し、販売戦略を考える）、またそれらの要因分析が有名である。回帰モデルを行うことで、予測業務がスピーディにできる。
分類モデルのビジネス事例として、画像や測定値から種類・タイプの分類（パターン認識）、特徴量から未来の成功・失敗などを予測する（ロジスティック回帰など）のが有名である。
＜本講座の目次＞
（１） 教師あり学習の概要
（２） 教師あり学習の種類
・回帰モデル
・分類モデル
（３） 教師あり学習の回帰モデルの手法
・線形回帰モデル
・多項回帰モデル
・ランダムフォーレスト回帰
・勾配ブースティング回帰木
・pythonで回帰
（４） 教師あり学習の分類モデルの手法
・ロジスティック回帰モデル
・名義ロジスティック回帰モデル
・ランダムフォーレスト分類
・勾配ブースティング分類木
・pythonで分類
（５） ニューラルネットワークと深層学習の概要
・ニューラルネットワークと深層学習の回帰モデル
・ニューラルネットワークと深層学習の分類モデル
・pythonで深層学習の画像認識