Python ではじめる機械学習
| 日時 | 内容 | スライドのファイル | 補足資料など | 発表者 |
| 4月13日 | 1. はじめに 1.1 なぜ機械学習なのか？ |
py-ml-fujii-0413.pdf | 藤井 | |
| 〃 | 1.2 なぜ Python なのか？ | py-ml-minamihama-0413.pdf | 南濱 | |
| 〃 | 1.3 scikit-learn | py-ml-syouji-0413.pdf | 荘司 | |
| 〃 | 1.4 必要なライブラリとツール | py-ml-shibayama-0413.pdf | 芝山 | |
| 〃 | 1.5 Python 2 vs. Python 3 | py-ml-zhaoyiming-4.13.pdf | 一鳴 | |
| 〃 | 1.6 本書で用いられるバージョン | py-ml-ou-4.13.pdf | 欧 | |
| 4月20日 | 1.7 最初のアプリケーション：アイリスのクラス分類 | py-ml-fujii-0420.pdf | 藤井 | |
| 〃 | 2. 教師あり学習 2.1 クラス分類と回帰 | py-ml-minamihama-0420.pdf | 南濱 | |
| 〃 | 2.2 汎化、過剰適合、適合不足 | py-ml-syouji-0420.pdf | 荘司 | |
| 〃 | 2.3 教師あり機械学習アルゴリズム | py-ml-shibayama-0420.pdf | 芝山 | |
| 〃 | 2.4 クラス分類器と不確実性推定 | −省略− | ||
| 〃 | 2.5 まとめと展望 | −省略− | ||
| 5月11日 | 3. 教師なし学習と前処理 3.1 教師なし学習の種類 |
py-ml-ou-0511.pdf | 欧 | |
| 〃 | 3.2 教師なし学習の難しさ | py-ml-fujii-0511.pdf | 藤井 | |
| 〃 | 3.3 前処理のスケール変換 | py-ml-minamaihama-0511.pdf | 南濱 | |
| 〃 | 3.4 次元削減、特徴量抽出、多様体学習 | py-ml-syouji-0420.pdf | 荘司 | |
| 5月25日 | 3.5 クラスタリング | py-ml-shibayama-0525.pdf | 芝山 | |
| 〃 | 3.6 まとめと展望 | −省略− | ||
| 〃 | 4. データの表現と特徴量エンジニアリング 4.1 カテゴリ変換 |
欧 | ||
| 〃 | 4.2 ビニング、離散化、線形モデル、決定木 | py-ml-fujii-0525.pdf | 藤井 | |
| 〃 | 4.3 交互作用と多項式 | py-ml-minamihama-0525.pdf | 南濱 | |
| 6月8日 | 4.4 単変量非線形変換 | py-ml-syouji-0608.pdf | 荘司 | |
| 〃 | 4.5 自動特徴量選択 | py-ml-shibayama-0608.pdf | 芝山 | |
| 〃 | 4.6 専門家知識の利用 | py-ml-ou-0608.pdf | 欧 | |
| 〃 | 4.7 まとめと展望 | −省略− | ||
| 6月15日 | 5. モデルの評価と改良 5.1 交差検定 |
py-ml-fujii-0615.pdf | 藤井 | |
| 〃 | 5.2 グリッドサーチ | py-ml-minamihama-0615.pdf | 南濱 | |
| 〃 | 5.3 評価基準とスコア | py-ml-syouji-0615.pdf | 荘司 | |
| 〃 | 5.4 まとめと展望 | −省略− | ||
| 6月29日 | 6. アルゴリズムチェーンとパイプライン 6.1 前処理を行う際のパラメータ選択 |
py-ml-shibayama-0629.pdf | 芝山 | |
| 〃 | 6.2 パイプラインの構築 | py-ml-ou-0629.pdf | 欧 | |
| 〃 | 6.3 パイプラインを用いたグリッドサーチ | py-ml-fujii-0629.pdf | 藤井 | |
| 〃 | 6.4 汎用パイプラインインターフェイス | py-ml-minamihama-0629.pdf | 南濱 | |
| 7月27日 | 6.5 前処理ステップとモデルパラメータに対するグリッドサーチ | py-ml-syouji-0629.pdf | 荘司 | |
| 〃 | 6.6 グリッドサーチによるモデル選択 | py-ml-shibayama-0727.pdf | 芝山 | |
| 〃 | 6.7 まとめと展望 | −省略− | ||
| 〃 | 7. テキストデータの処理 7.1 文字列として表現されているデータのタイプ |
一鳴 | ||
| 〃 | 7.2 例題アプリケーション：映画レビューのセンチメント分析 | py-ml-ou-0727.pdf | 欧 | |
| 〃 | 7.3 Bag of Words によるテキスト表現 | py-ml-fujii-0727.pdf | 藤井 | |
| 〃 | 7.4 ストップワード | py-ml-minamihama-0727.pdf | 南濱 | |
| 〃 | 7.5 tf-idf を用いたデータのスケール変換 | py-ml-syoji-0727.pdf | 荘司 | |
| 〃 | 7.6 モデル係数の調査 | 芝山 | ||
| 8月3日 | 7.7 1単語よりも大きい単位の Bag of words (n-グラム) | 一鳴 | ||
| 〃 | 7.8 より進んだトークン分割、語幹処理、見出し語化 | 欧 | ||
| 〃 | 7.9 トピックモデリングと文書クラスタリング | py-ml-fujii-0803.pdf | 藤井 | |
| 〃 | 7.10 まとめと展望 | −省略− | ||
| 〃 | 8. おわりに 8.1 機械学習問題へのアプローチ |
py-ml-minamihama-0803.pdf | 南濱 | |
| 〃 | 8.2 プロトタイプから運用システムへ | 荘司 | ||
| 〃 | 8.3 運用システムのテスト | 芝山 | ||
| 〃 | 8.4 独自 Estimator の構築 | 一鳴 | ||
| 〃 | 8.5 ここからどこへ行くのか | 欧 | ||
| 〃 | 8.6 結論 | −省略− |