Day 01：データサイエンスの実務と本講座の概要

タスク／ハンズオン：

• プロジェクトの各ステップと解説する機能の対応

• ハンズオンの準備：アカウントのセットアップ (講座の前)、講座用プロジェクトの作成

• プロジェクト作成に必要な各種設定設定

  Day 02：データの可視化と要約統計量の算出

タスク／ハンズオン：

• データセットのインポート

• データの前処理

• グラフの描画

• 要約統計量の確認

詳細：

• データの種別：数値/カテゴリー、表 / 画像 / 自然言語 / 音声

• データの可視化 (それぞれ利用シーンを解説)：折れ線グラフ / 棒グラフ / 散布図 / ヒストグラム / 円グラフ

• 要約統計量 (それぞれ利用シーンを解説）：平均 / 中央値 / 最頻値 / 分散 / 標準偏差 / 相関係数

• データの前処理：欠損値処理、標準化 / 正規化、one-hot / ラベルエンコーディング

  Day 03：機械学習 / 教師あり学習

タスク／ハンズオン：データセットのアノテーション

詳細：

• 機械学習とは？

• 教師あり学習 / 教師なし学習 (参考的な位置付け)

• 回帰 / 分類

• モデルの検証方法：ホールドアウト法と交差検証法

• 様々なモデル：線形回帰 / ロジスティック回帰 / 正則化項のある回帰 / 決定木 / k-NN / サポートベクターマシン / ランダムフォレスト / 勾配ブースティング / MLP

• モデルのアンサンブル：バギング / ブースティング / スタッキング

• データの重要性：データの量・質、アノテーションとは、アノテーションにおけるtips

  Day 04：モデルの評価方法とチューニング

タスク／ハンズオン：

• モデルの作成：単一モデル、AutoML

• モデルの評価

• 解釈性の可視化

• 作成したモデルの使用方法，デプロイ

詳細：

• リークについて

• 各種評価指数：RSME / MAE / MAPE / MSLE、混同行列 / precision / recall / F1

• 評価指標の選択方法

• ハイパーパラメータチューニング：ランダムサーチ、グリッドサーチ、ベイズ最適化

• 解釈性指標：Feature Importance / SHAP

   OPTION

扱うモデル/テクニック：受講者の業務課題による

• 確率

• 確率分布：正規分布 / 一様分布 / ベータ分布

• 期待値

• 中心極限定定理

• 信頼区間

• 検定

• 第一種の過誤 / 第二種の過誤