ChatGPT・生成AI時代の今だからこそ学びたい！人工知能・機械学習入門講座（教師あり学習編）

人工知能とは何か、その概要（特化型、汎用型（AGI）との違い）と、人工知能の中の機械学習の位置付けについて学びます。

機械学習とは何か、その概要を、機械学習モデルを各構成要素に分解することで学んでいきます。各構成要素に分解して学ぶ実例として、大規模言語モデル(LLM)を使用した、OpenAIが開発した生成AI(ジェネレーティブAI)の代表格であるChatGPTや、家賃予測モデルを取り上げます。

機械学習の種類として、教師あり学習、教師なし学習、深層学習、強化学習、アンサンブル学習それぞれの概要について、それぞれの種類ごとに、アルゴリズムとして最小二乗法、k-means、Transformer（GPT）、Q学習、ブースティングの具体例を交えて学びます。

機械学習のプロセスとして、目的定義、事前準備、学習、改善、運用の、各プロセスの概要について学びます。

機械学習のスキルとして、目的定義、事前準備、学習、改善、運用の、各プロセスで必要なスキルの概要について学びます。

本講座のハンズオンで使用する開発環境である、Google Colabの概要と、他の開発環境（Jupyter Notebook、PyCharm、Spyder、VSCodeなど）とGoogle Colabの位置付けについて学びます。

本講座のハンズオンで使用するプログラミング言語である、Pythonの概要と、機械学習で使用されるその他のプログラミング言語（R、Julia、C++、JavaScriptなど）の概要について学びます。

本講座のハンズオンで使用するライブラリである、Scikit-learnの概要と、他のライブラリ（Pandas、Matplotlib、NumPyなど）との使い分けについて学びます。

機械学習のスキル面ではなく、マインド面のポイントとして、講師が考える、学びを継続しやすく、結果的にスキルも身に付けやすくなる3つの心構えをご紹介します。

教師あり学習の主要モデルの1つ、回帰モデルの概要と、計算手順（アルゴリズム）の種類（最小二乗法、勾配降下法、決定木、ランダムフォレスト、ニューラルネットワーク）について学びます。

本講座のハンズオンで回帰モデル作成に使用する計算手順（アルゴリズム）でもある、最小二乗法の概要とモデル作成の仕組みについて学びます。

教師あり学習の主要モデルの1つ、分類モデルの概要と、計算手順（アルゴリズム）の種類（単純パーセプトロン（誤差逆伝播法含む）、ロジスティック回帰（最尤推定法含む）、サポートベクターマシン（SVM））について学びます。

本講座のハンズオンで分類モデル作成に使用する計算手順（アルゴリズム）でもある、決定木の概要とモデル作成の仕組み（ジニ係数、利得計算）について学びます。

SVMの概要と、線形分類モデル作成の仕組みについて学びます。

本講座のハンズオンで分類モデル作成に使用する計算手順（アルゴリズム）でもある、SVMの概要と、非線形分類モデル作成の仕組み（カーネル関数、カーネルトリック）について学びます。

事前準備プロセスのサブプロセスである、データ整形の作業概要とポイントを具体例と共に学びます。

事前準備プロセスのサブプロセスである、データ分割の作業概要（2分割（ホールドアウト法）、3分割など）とポイントを具体例と共に学びます。

評価プロセスで回帰モデル評価を行う際の、評価指標の種類（決定係数 (R^2)、平均二乗誤差(MSE)、平均絶対誤差(MAE)）と概要について学びます。

評価プロセスで分類モデル評価を行う際の、評価指標の種類（正解率(Accuracy)、適合率(Precision)、再現率(Recall)、F1値(F1-score)）と概要について混同行列(Confusion Matrix)と共に学びます。

改善プロセスで改善が必要な事象としてのデータスケール不揃い問題の本質と、その改善策の標準化の概要について学びます。

＜タイムスタンプ＞

問題の内容について(0:00~)

改善策(4:54~)

改善プロセスで改善が必要な事象としての多重共線性問題の本質と、その検知方法（相関係数(Correlation Coefficient)、VIF(Variable Inflation Factor)）と改善策（手動削除、Lasso回帰、PCA（主成分分析）、PLS（偏最小二乗法）、Ridge回帰、データセット変更）の概要について学びます。

＜タイムスタンプ＞

問題の内容について(0:00~)

検知方法(9:38~)

改善策(11:31~)

改善プロセスで改善が必要な事象としての過学習問題の本質と、その改善策（検証用データの導入（k-分割交差検証含む）、ハイパーパラメータ調整による、モデル複雑さ調整、計算手順（アルゴリズム）変更）の概要について学びます。

＜タイムスタンプ＞

問題の内容と改善策の概要について(0:00~)

改善策1（検証用データの導入）について(6:03~)

改善策2（ハイパーパラメータ調整による、モデル複雑さ調整）について(12:20~)

改善策3（計算手順（アルゴリズム）変更）について(16:32~)

本ハンズオンにおける回帰モデル作成の目的と手段、また使用するデータセット概要について学びます。

事前準備プロセスのサブプロセスである、データ収集のハンズオンと、インポートしたデータの可視化（統計情報サマリ出力、ヒストグラム作成、散布図作成）を通じたデータ概要理解を実施します。

＜タイムスタンプ＞

はじめに(0:00~)

Google Colabの使い方(1:02~)

データインポート(6:20~)

統計情報サマリ出力(21:06~)

ヒストグラム作成(25:30~)

散布図作成(33:47~)

まとめ(52:16~)

事前準備プロセスのサブプロセスである、データ整形のハンズオンを実施します。

＜タイムスタンプ＞

はじめに(0:00~)

文字列の数値化(2:08~)

不要データの削除(12:53~)

まとめ(21:11~)

事前準備プロセスのサブプロセスである、データ分割（2分割（ホールドアウト法））のハンズオンを実施します。

学習プロセスとして、事前準備で準備したデータセットを元に回帰モデル作成を行います。

評価プロセスとして、作成した回帰モデルの評価（決定係数 (R^2)）を行います。

改善プロセスとして、評価プロセスで検知したデータスケール不揃い問題に対して標準化を使用しモデルの改善を図ります。（多重共線性検知（相関係数、VIF）含む）

＜タイムスタンプ＞

はじめに(0:00~)

標準化(1:10~)

多重共線性検知（相関係数）(17:21~)

多重共線性検知（VIF）(25:18~)

まとめ(31:11~)

改善プロセスとして、改善①で検知した多重共線性問題に対して計算手順変更（最小二乗法 -> PLS）を行うことで、モデルの改善を図ります。（PLS適用後の相関係数、VIF確認含む）

＜タイムスタンプ＞

はじめに(0:00~)

計算手順変更（PLS）(0:18~)

PLS適用後の相関係数確認(7:35~)

PLS適用後のVIF確認(13:18~)

まとめ(19:01~)

本ハンズオンにおける分類モデル作成の目的と手段、また使用するデータセット概要について学びます。

事前準備プロセスのサブプロセスである、データ収集のハンズオンを実施します。

事前準備プロセスのサブプロセスである、データ整形のハンズオンを実施します。

事前準備プロセスのサブプロセスである、データ分割（2分割（ホールドアウト法））のハンズオンを実施します。

学習プロセスとして、事前準備で準備したデータセットを元に分類モデル作成を行います。

評価プロセスとして、作成した分類モデルの評価（正解率(Accuracy)、適合率(Precision)、再現率(Recall)、F1値(F1-score)）を行います。

改善プロセスとして、評価プロセスで検知した過学習問題に対してグリッドサーチによるハイパーパラメータ調整（検証用データの導入（k-分割交差検証）含む）を行うことで、モデルの改善を図ります。また、作成した分類モデル（決定木）の可視化と解釈の仕方について学びます。

＜タイムスタンプ＞

はじめに(0:00~)

ハイパーパラメータ調整（グリッドサーチ）(0:31~)

決定木の可視化方法(37:48~)

まとめ(55:20~)

改善プロセスとして、改善①で確認したモデル精度の更なる向上のため、計算手順変更（決定木 -> SVM）を行うことで、モデルの改善を図ります。

＜タイムスタンプ＞

はじめに(0:00~)

標準化(0:16~)

計算手順変更（SVM）(7:40~)

まとめ(23:27~)