東京大学履修証明プログラム　単科　機械学習（M） Pythonを活用した実践的機械学習

カリキュラム

1. 機械学習の基礎

   • 機械学習の流れ
   • 教師あり学習の考え方（学習モデルと損失、過学習と正則化、評価方法、交差検証、変数選択）
   • 教師あり学習の概要（回帰と分類）
   • 教師なし学習の概要

2. Pythonの使い方

3. 教師あり学習（その1）

   • 損失関数、過学習と正則化
   • 評価方法、検証・交差検証
   • 回帰（評価指標、線形回帰、リッジ回帰、LASSO）
   • 分類（評価指標、決定木、サポートベクターマシン、ロジスティック回帰）

4. 特徴量エンジニアリング

   • パラメータチューニング、特徴量の拡張、カテゴリカル変数、特徴量選択、可視化

5. 教師あり学習（その2）

   • カーネル法、アンサンブル学習、バギング、ランダムフォレスト、ブースティング、スタッキング

6. 教師なし学習

   • 密度推定（ガウス分布、混合ガウス分布、EMアルゴリズム、ヒストグラム、カーネル密度推定）
   • クラスタリング（K-means、距離関数、混合ガウス分布）
   • 行列分解（行列補完、非負値行列分解、レコメンデーション、次元圧縮）
   • 可視化（主成分分析、t-SNE）
   • トピックモデリング（Latent Dirichlet Allocation）
   • さまざまな応用（異常検知、スパースコーディング、テンソル分解）
   • 自然言語処理への応用（LDA、Word2vec・Item2vec）
   • レコメンデーションへの応用

7. 深層学習（ディープラーニング）

   • 深層学習の構造
   • 畳み込みニューラルネット、CNN、ResNet
   • バッチ正規化、ドロップアウト
   • 学習アルゴリズム（損失関数最小化、最急降下法、誤差逆伝搬法、勾配降下法、確率的勾配降下法、モーメンタム法、ネステロフ加速法、ADAM）
   • タスクに合わせたネットワーク構造のモデリング
   • 各種モデルとその応用（物体検出、マスキング、画像診断への応用、画像スタイル変換、画像生成、生成モデル、機械翻訳）

8. 実践的総合演習