機械学習概論

機械学習の基本概念とアルゴリズム、その意義を理解し、人工知能やディープラーニングとの違いを明確にする。さらに、機械学習モデル構築の基本的な流れとデータの重要性を学ぶ。

機械学習におけるデータ前処理と可視化の重要性を理解する。そのうえで、pandas, numpyを用いたデータの前処理方法と、holoviews等を用いたデータの可視化手法を身に着ける。

具体的な課題を通じて、線形回帰モデルのしくみとその実装方法を身に着ける。

過学習の問題点を理解したうえで、モデルが過学習しているかどうかを検証する評価方法を身に着ける。また、過学習を避けるためのモデル学習手法の一つである正則化について理解を深める。

ロジスティック回帰の直感的なイメージと、その活用方法について学ぶ。加えて、分類問題におけるモデルの評価方法について深く理解する。

分類タスクにおけるモデルの評価方法について学習する。

前半では多クラス分類のアルゴリズムと実装を学習する。後半では機械学習アルゴリズムでよく使われる情報理論の基礎について学習する。

サポートベクターマシンの基本的な考え方と、その実装方法を理解する。

決定木の仕組みとその実装方法、さらに実践的なチューニング方法について理解する。

アンサンブル手法全般について広く理解をしたうえで、アンサンブルによって決定木を拡張したランダムフォレストの理論について理解する。また、サンプルデータでその実装方法も身に着ける。

まず、アンサンブル手法の一つであるブースティングの概念を理解する。そのうえで、決定木をブースティングによって拡張した勾配ブースティングの仕組みと、その実装方法を理解する。

教師なし学習の一種であるクラスタリングについて理解する。そのうえで、代表的なクラスタリング手法であるk-means法と階層型クラスタリンについて理論と実装の両方を習得する。

次元削減の意味について直感的に理解する。そのうえで、代表的な次元削減手法の一つであるPCAについて理論と実装の両方を身に着ける。

特徴量エンジニアリングの基本概念から効果、さまざまなデータタイプへの対応方法、特徴量選択までを学ぶ。カテゴリカルデータや数量データ、時系列データ等に対する特徴量エンジニアリングの技術を身につける。

ハイパーパラメータチューニングの手法とその自動化について理解したうえで、Optunaによる実践方法を学ぶ。さらにAutoMLの概念を理解し、PyCaretを用いてAutoMLを実際に使う方法とその注意点を学ぶ。