速修2日機械学習・データサイエンス講座_説明会20230116

641 Views

January 16, 23

スライド概要

・お申込みページ
https://peatix.com/event/3450960/view

※本講座は株式会社ワークシフト研究所およびフレイ・アンド・テクノロジーズ株式会社の共同開催講座です。(事務局:ワークシフト研究所)

profile-image

フレイ・アンド・テクノロジーズ株式会社 資料共有です。

シェア

埋め込む »CMSなどでJSが使えない場合

関連スライド

各ページのテキスト
2.

トレーニング日程 ◆トレーニング開催日 (講座1日目) 2023/2/22(水)講座 9:30~16:30、Q&A 17:00迄 (講座2日目) 2023/3/1(水) 講座 9:30~16:30、Q&A 17:00迄 ※講義内容・演習内容はすべて録画しており、開催日より30日間は録画の視聴が可能です。 ◆フォローアップ日 (フォローアップ①) 2/25(土) 9:00~12:00 (フォローアップ②) 3/4(土) 9:00~12:00 ※自由参加 ※自由参加 ※演習内容などに不安がある方、業務都合などで途中退出された方向けに別途フォローアップ日を準備しております。 ◆チケットお申込み締切 お申込み締切:2023年2月19日(日) 23:59まで https://peatix.com/event/3450960/view ※法人様向け請求書払いも可能です。ワークシフト研究所事務局までご連絡下さい。 2

3.

機械学習・データサイエンス 担当講師紹介 ◇講師:高木 宏明 ◇講師からのメッセージ 実務・現場 ✓ 理論だけではなく、実務で多く発生するビジネス上の課題 についても解説します ✓ マーケティングや製造など、ビジネス上で機械学習がどの ように利活用されているか、事例を多く話すことで理論と 実ビジネスとの紐づけを意識して講義しています 理解・習得 データ分析コンサルタント・ワークシフト研究所講師・研究員 慶應義塾大学大学院 経営管理研究科 非常勤講師 「データサイエンス」 (2019年度~現任) 青山学院大学 社会情報学部 非常勤講師 「データマイニング」「データマイニング演習」(2018,2020,2021年度) 国立高松高専専攻科 機械電気システム工学専攻 修了 慶應義塾大学大学院 経営管理研究科 修了(ビジネススクール・MBA) 大企業を中心としてBI・機械学習・データ処理基盤の提案・分析相 談に長年従事。機械学習トレーニング教材の開発・講師も務め、企 業・大学向けの講義・講演多数(毎年、2~300名以上の学生・社会 人向けにへ、データサイエンス講義を行っております) ✓ 機械学習アルゴリズムがどのように予測を行っているのか 体感的に分かりやすい解説・演習を心がけています ✓ データサイエンス=問題解決の道具というスタンスで講義 します(数学・ITが苦手な受講生でも理解し使えることが目標) ✓ 手厚くフォローもいたしますので安心してご参加ください 3

4.

『速修!2日間でマスターする機械学習・データサイエンス入門』 データ可視化~アルゴリズム理解~予測モデル構築・検証~予測精度向上テクニックまでをしっかり習得 他社の講座 当社の講座 ノーコード:誰でもクイックに予測モデル構築 プログラミング無しの機械学習ソフト(無料)でモデル構築演習 ・Pythonだと1日かかるデータ分析もわずか10分で完了 ビジュアルによる解説 できるだけ数式を使わずに、図・イメージを多用して解説 ・難しい理論でも体感的に分かりやすい 豊富な演習による圧倒的レベルアップ 機械学習入門書2~3冊分の内容を2日で速修(他社だと5-6日分)、 腹落ちするところまでしっかりやる 初学者も実務レベルで成長可能 私立文系学生にも大学で講義しており、初学者がつまづくポイント、 勘違いしやすいポイントを講師が熟知している 4

5.

詳細カリキュラム ◇イントロダクション:機械学習の全体像 ◇教師あり学習:回帰 ✓ データ分析者に求められるスキルセット ✓ 線形回帰アルゴリズム解説 ✓ 教師あり学習・教師なし学習・強化学習 ✓ 回帰評価指標:MSE・RMSE・R2 ✓ 機械学習の目的・メリット ✓ ハンズオン演習① テスト点数予測 ✓ 予測精度と説明性・解釈性の関係 ✓ ハンズオン演習② 住宅価格予測 ✓ ハンズオン演習③ 年収予測 ◇教師あり学習:クラス分類 ✓ データの非線形性とノンパラメトリック回帰 ✓ アルゴリズム解説:決定木・K-NN・SVM・ Deep Learningなど ✓ クラス分類アルゴリズムの回帰への適用 ✓ 回帰における重要注意点 ✓ ハンズオン演習① アヤメの花の分類 ・予測範囲:内挿・外挿 ✓ ハンズオン演習② 購買予測 ・多重共線性の影響と確認手法 ✓ ハンズオン演習③ センサーデータによる分類 ・外れ値・異常値が予測モデルをどう歪めるのか? ✓ 予測精度検証:クロスバリデーション ✓ コンフュージョンマトリックス ◇予測モデル精度向上テクニック解説・演習 ✓ クラス分類評価指標:Accuracy・Recall・Precision ✓ 変数選択:ステップワイズ法 ✓ オーバーフィッティングとアンダーフィッティング ✓ ハイパーパラメータ最適化:グリッドサーチ 5

6.

ノーコード機械学習ソフト 画面サンプル① ※プログラミング未経験者でも簡単に予測モデル構築が可能 6

7.

ノーコード機械学習ソフト 画面サンプル② ※パイパーパラメータ最適化(グリッドサーチ)の例 7

8.

ノーコード機械学習ソフト 画面サンプル③ ※データ可視化機能の例 8

9.

教材サンプル① 9

10.

教材サンプル② 10

11.

受講いただいた方からの声・感想 機械学習の概要・イメージを習得することができ、また演習を通して実際の予測モデル構築の流れも学ぶことができました。 この分野は初の講座でしたが、データ分析のハードルが下がりとても勉強になりました。 かなり広い分野を網羅して学ぶことが出来てよかったです。演習も分かりやすかった。 入門書や雑誌の特集を読んでなんとなく理解していたことが、ノーコードツールを使って自分でできたことが面白かったです。 機械学習アルゴリズムの具体的な利用イメージがつくようになりました。 講師の説明が分かりやすく、ハンズオンの演習もよかった。 データ分析だけでなく、ビジネス上の課題やDXプロジェクトの実務で発生する問題など小話が興味深かった。 アルゴリズムの解説やツールの使い方もフォローいただき助かりました。す。 初心者でしたが、講義と演習のバランスが良く理解が進みました。 興味ある分野だったのでこれまで独学で勉強もしていましたが、勘違いしていた点など改めて勉強になりました。 独学である程度勉強されている方にもおススメできる講座だと思います。 かなり丁寧に講義をすすめて頂いたので理解できました 教師あり、教師なしアルゴリズムの違いやデータ分析の目的、予測精度向上テクニックなど多くの点を学べました。 また、私は文系卒ということもありPythonで独学しようとしてプログラミングで挫折していましたが、今回はバッチリついて行けました。 11

12.

トレーニング受講に関するFAQ ◇トレーニング開催日に急な仕事が入り参加できなくなりました。フォローアップはありますか? ✓ 講義内容・演習内容はすべて録画しております。開催日より30日間は録画の視聴が可能です。 ✓ 講座終了後も内容に関するQ&Aは何度でも受け付けております。お気軽にご質問下さい。 ◇トレーニング受講環境は何が必要ですか? ✓ Zoomによるオンライン集合研修となります。PC・インターネット環境・イヤホン・マイクは各自ご準備下さい。 ✓ PCへの機械学習ソフトウェア(無償)のインストールが必要です。※推奨メモリスペック8G以上 ✓ PCの貸出・レンタルは行っておりません。手配が難しい場合は事前にご相談下さい。 ◇トレーニング受講に関して前提知識・前提スキルは必要ですか? ✓ どのコースも特別な知識・スキルは不要です。ご不安な場合は事前にご相談ください。(最大限配慮致します) ◇お支払期日はいつになりますか? ✓ 法人様向けには請求書による後日支払が可能です。お支払期日は開催初日を起算日として翌月末日となります。 12

13.

ミニ体験会 「概論解説:機械学習入門」 This illustration was generated by Painting AI: MidJourney.

14.

Agenda はじめに:データ分析者に求められるスキル 機械学習入門

15.

デジタル変革・AIプロジェクトに求められるスキルセット 課題背景を理解した上でビジネス課題を整理し、 解決する力(≒ビジネスコンサルタント) ビジネス力 (Business Problem Solving) 情報処理、人工知能、統計学な どの情報科学系の知恵を理解し、 使う力 (≒データサイエンティスト) データ サイエンス力 (Data Science) データ エンジニア リング力 (Data Engineering) データサイエンスを意味ある形 に使えるようにし、実装、運用 できるようにする力 (≒ITエンジニア) ※一般社団法人データサイエンティスト協会「スキルシート」資料を一部改変 15

16.

分析プロジェクトの流れと必要スキル デ ー タ 分 析 ・ 活 用 の 流 れ 出所:一般社団法人データサイエンティスト協会資料より加筆修正 16

17.

Agenda はじめに:データ分析者に求められるスキル 機械学習入門

18.

機械学習の種類 ◆教師あり学習 • 状態や結果がわかっているデータ から予測を行う ◆教師なし学習 • 漠然とデータのみ存在 ⇒新たな知見の発見 教師あり 教師なし 学習 学習 ◆強化学習 • 試行を積み重ねてよいやり方、 悪いやり方を学んでいく 成功 ⇒ 報酬 失敗 ⇒ ペナルティ 強化学習 18

19.

教師あり学習のイメージ ◆回帰系(数値をあてる) ◆分類系(A or B) 土地の面積と金額 商品の品質管理 ( ( 金 額 ) セ ン サ ー B X X X X X X ) X X X (面積) (例)土地の面積 ⇒ 地価 天候・気温 ⇒ ビールの売上 (センサーA) (例)センサーデータ ⇒ 正常 or 故障 購買履歴 ⇒ 買う or 買わない 19

20.

教師なし学習のイメージ ◆異常値の発見 赤 青 ◆クラスタリング = 異常 = 正常 普段と違う動きを発見 新しい切り口での層の発見 (例)センサーデータからの外れ値検出 (例) 購買履歴から顧客層の発見 20

21.

異常値事例 -クレジットカードの不正使用を検知- -クレジットカード使用履歴- 2月 使用頻度 1回 使用金額 12,000円 3月 2回 30,000円 4月 1回 11,000円 5月 3回 54,000円 6月 10回 600,000円 不正利用の可能性 21

22.

強化学習とは • 試行錯誤を繰り返して 「利得を最大化する行動」を学習 • ポイントは2つ -シュミレーション環境の構築 -評価関数の構築 ➢ DeepMind Learns Parkour https://www.youtube.com/watch?v=faDKMMwOS2Q ➢ DQN Breakout https://www.youtube.com/watch?time_continue=11&v=TmPfTpjtdgg ➢ Autonomous robot car control demonstration in CES2016 https://www.youtube.com/watch?v=7A9UwxvgcV0 22

23.

(参考)Alpha Goの進化 Alpha Zero 出所:https://deepmind.com/blog/article/alphazero-shedding-new-lightgrand-games-chess-shogi-and-go AlphaStar 出所:https://deepmind.com/blog/article/alphastar-mastering-real-timestrategy-game-starcraft-ii 23