人工知能（AI）および機械学習の基礎のトレーニングコース

応用機械学習への入門

• 統計的学習と機械学習の違い
• イテレーションと評価
• バイアスとバリアンスのトレードオフ
• 教師あり学習と教師なし学習
• 機械学習によって解決される問題
• 学習・検証・テスト – オーバーフィッティングを避けるためのMLワークフロー
• 機械学習のワークフロー
• 機械学習アルゴリズム
• 問題に適したアルゴリズムの選択

アルゴリズムの評価

• 数値予測の評価
  • 精度の指標：ME, MSE, RMSE, MAPE
  • パラメータおよび予測の安定性
• 分類アルゴリズムの評価
  • 正解率とその課題
  • 混同行列
  • 不均衡クラスの課題
• モデル性能の可視化
  • プロフィットカーブ
  • ROC曲線
  • リフトカーブ
• モデル選択
• モデルチューニング – グリッドサーチ戦略

モデリングのためのデータ準備

• データの読み込みと保存
• データの理解 – 基本的な探索
• pandasライブラリによるデータ操作
• データ変換 – データウェアリング
• 探索的データ分析
• 欠損値 – 検出と対処法
• アウトライア – 検出と戦略
• 標準化、正規化、二値化
• 定性データのリコーディング

アウトライア検出のための機械学習アルゴリズム

• 教師ありアルゴリズム
  • KNN
  • アンサンブル・グラデーションブースティング
  • SVM
• 教師なしアルゴリズム
  • 距離ベース
  • 密度ベース手法
  • 確率的手法
  • モデルベース手法

ディープラーニングの理解

• ディープラーニングの基本概念の概要
• 機械学習とディープラーニングの違い
• ディープラーニングの応用範囲の概要

ニューラルネットワークの概要

• ニューラルネットワークとは
• ニューラルネットワークと回帰モデルの違い
• 数学的基礎と学習メカニズムの理解
• 人工ニューラルネットワークの構築
• ニューロンと結合の理解
• ニューロン、レイヤー、入力データおよび出力データの扱い
• シングルレイヤ・パーセプトロンの理解
• 教師あり学習と教師なし学習の違い
• フィードフォワード型とフィードバック型ニューラルネットワークの学習
• 前方伝播と後方伝播の理解

Kerasによる単純なディープラーニングモデルの構築

• Kerasモデルの作成
• データの理解
• ディープラーニングモデルの指定
• モデルのコンパイル
• モデルのフィット
• 分類データの扱い
• 分類モデルの扱い
• モデルの利用

ディープラーニングのためのTensorFlowの利用

• データの準備
  • データのダウンロード
  • トレーニングデータの準備
  • テストデータの準備
  • 入力のスケーリング
  • プレースホルダーと変数の使用
• ネットワークアーキテクチャの指定
• コスト関数の使用
• オプティマイザの使用
• イニシャライザの使用
• ニューラルネットワークのフィット
• グラフの構築
  • 推論
  • 損失
  • トレーニング
• モデルのトレーニング
  • グラフ
  • セッション
  • 学習ループ
• モデルの評価
  • 評価グラフの構築
  • 評価出力による評価
• 大規模なモデルのトレーニング
• TensorBoardによるモデルの可視化と評価

アノマリー検出におけるディープラーニングの応用

• オートエンコーダ
  • エンコーダ - デコーダー アーキテクチャ
  • 再構築損失
• 変分オートエンコーダ
  • 変分推論
• 敵対的生成ネットワーク（GAN）
  • ジェネレータ – ディスクリミネーター アーキテクチャ
  • GANを用いた異常検知（AN）のアプローチ

アンサンブルフレームワーク

• 異なる手法の結果の組み合わせ
• ブートストラップアグリゲーション（Bagging）
• アウトライアスコアの平均化