機械学習のさまざまな手法を利用しながら、データを分析するための基礎知識を身につけましょう！
手法の適用方法を知るだけでなく、なぜそのような計算を行うのかといった仕組みの理解についても説明します！
※本セミナーはZOOMを使ったLIVE配信セミナーです。会場での参加はございません。
◆受講者限定で見逃し配信（1週間：何度でも視聴可）を予定しております。
１． AI・機械学習の概要
1-1. AI・機械学習とは
(1) 【演習】AI・機械学習を体験してみよう
(2) 教師あり学習とは
(3) 教師なし学習とは
1-2. 利用環境と簡単な操作の確認
(1) Google Colaboratoryの使い方
(2) 【演習】簡単なPythonのプログラムを作成・実行しよう
２． 機械学習におけるデータの取り扱い
2-1. pandasデータフレーム（表形式のデータ）を利用する
(1) データフレームから列や行を取り出す
(2) データフレームから特定のデータを取り出す
(3) すべての値に対して一括して計算を行う
(4) 条件に合う値だけを取り出す
2-2. 【演習】大量のデータを取り扱う
(1) 株価データの利用とチャートの作成
(2) 不動産データの利用と基本統計量、相関行列の計算
３． 教師あり学習〜重回帰分析による予測
3-1. 回帰分析とは
(1) 単回帰分析と重回帰分析の考え方
(2) （参考）回帰分析のしくみ
3-2. 重回帰分析による予測を行う
(1) 重回帰分析により賃貸物件の家賃を予測する
(2) 重回帰分析の性能評価・留意点
(3) 【演習】糖尿病の進行状況を予測してみよう
(4) (参考) 多項式回帰によるCO2排出量の予測
４． 教師あり学習〜ロジスティック回帰による分類
4-1. 分類とは
(1) ロジスティック回帰とは
(2) (参考) ロジスティック回帰のしくみ
4-2. ロジスティック回帰による分類を行う
(1) ウミガメの性別を分類する
(2) 【演習】 ワインの品種を分類してみよう
５． データの前処理とモデルのチューニング
5-1. 【演習】データの前処理
(1) 欠損値や外れ値の取り扱い
(2) カテゴリデータの取り扱い
(3) スケーリングによる精度の向上
5-2. 【演習】さまざまなモデルの利用とチューニング
(1) ホールドアウト法による過学習の検出
(2) 回帰のモデル〜リッジ回帰、ラッソ回帰、サポートベクター回帰
(3) 分類のモデル〜k-近傍法、決定木、サポートベクターマシン
(4) グリッドサーチによるパラメータの決定
(5) アンサンブル学習による精度の向上
６． 教師なし学習
6-1. k-means法によるクラスタリング
(1) k-means法の考え方
(2) アヤメの品種を分類する
(3) 【演習】 インターネットの利用者を分類し、特徴を可視化しよう
6-2. 主成分分析による次元圧縮
(1) 主成分分析の考え方
(2) 成績データの特徴をとらえる
(3) 【演習】中古車データの説明変数を要約して回帰分析を行ってみよう
７． まとめ・展望
・ディープラーニングの事例紹介
・生成AIの事例紹介
・さらなる学びのために
【質疑応答】