![related_training](https://www.fullness.co.jp/corporate/wp-content/uploads/2024/08/サムネイル-66.jpg)
- 研修名
-
Pythonディープラーニングプログラミング研修
- 概要
-
ディープラーニングの仕組みと、TensorFlow、Kerasの基本的な使い方を解説し、
文書データの自動分類を題材としてより実践的なTensorFlowの使用方法をマスターします。
- 目的
-
・深層学習の基本的な仕組みを学ぶ
・TensorFlow及びKerasの基本的な使い方を学ぶ
・データ分析の手順や手法を説明できる。
・pandasをリファレンスを見ながら使用できる。
・分析の手順や手法の違いを説明できる。
・リファレンスを見ながらscikit-learnが使用できる。
- カリキュラム
-
詳しくはこちら
【Pythonによるディープラーニングプログラミング研修】
【午前】
1.Python開発環境
・Colaboratory
・JupyterNotebook
・TensorFlow・Keras
2.深層学習の概要
・機械学習と深層学習
・深層学習の手順
・回帰と分類
・TensorFlow
・Keras
・TensorBoard
【午後】
3.ニューラルネットワーク
・パーセプトロン
・ニューラルネットワーク
・CNN
・RNN
・オートエンコーダ
4.精度向上テクニック
・過学習と未学習
・正則化
・ドロップアウト
・ハイパーパラメータの検証
【Pythonによる機械学習研修】
【機械学習入門】
1. 機械学習の概要
1.1 機械学習の適用例
1.2 機械学習の種類
1.3 機械学習の手順
1.4 scikit-learnについて
2.回帰
2.1 回帰とは
2.2 手法
2.3 評価検証
3.分類
3.1 分類とは
3.2 分類の手法
3.3 評価検証
4.回帰/分類の精度向上テクニック
4.1 過学習と未学習
4.2 交差検証
4.3 カテゴリデータの数値化
4.4データの正規化・標準化
4.5正則化
4.6 ハイパーパラメータの最適化
5.次元削減
5.0 みにくいアヒルの子定理
5.1 次元削減とは
5.2 特徴量選択
5.3 主成分分析による特徴抽出
6.モデルの再利用
6.1 モデルの再利用について
6.2 モデルのファイル出力
6.3 モデルファイルの読み込み
【Pythonによるデータ分析研修】
1.データ分析の概要
1.1 データ分析の役割
1.2 データ分析の手順
1.3 分析の種類
1.4データ分析ツールと必要なスキル
1.5 SciPyStack
2.Python開発環境
2.1 Anaconda
2.2 主な開発環境と使い分け
2.3 IPython
2.4 Spyder
2.5 JupyterNotebook
3.pandasによるデータ抽出・加工
3.1 pandasとは
3.2 pandasのデータ型
3.3 DataFrameの生成
3.4 データの加工
3.5 データ抽出
4.Matplotlibによるデータの可視化処理
4.1 Matplotlibとは
4.2 pandasのMatplotlibラッパー
4.3Matplotlibのスタイル
[参考] matplotlib.pyplotによる詳細描画
【補足】
1.pandasによる時系列データ分析
1.1 時系列データのデータ型
1.2 時系列情報の抽出
1.3 時系列データの加算・減算
1.4 時系列データのリサンプリング
2.Maptlotlibによる詳細描画設定
2.1 matplotlib.pyplotによる詳細描画
2.2 pyplotによるグラフ作成の流れ
2.3 グラフ作成例
3.NumPyによる行列計算
3.1 NumPyとは
3.2 NumPy配列の基本
3.3 データ抽出
3.4 乱数生成
3.5 ユニバーサル関数
3.6 行列計算
3.7 基本統計計算
3.8 ファイル入出力
4.SciPyによる数値計算
4.1 SciPyとは
4.2 積分計算
4.3 最適化(フィッティング)
4.4 高速フーリエ変換
- 費用
-
お客様のニーズに合わせて研修を設計した上で、お見積りをさせていただきます。
まずはお気軽にお問い合わせください。