準備編

• はじめに
  • 必要なもの
  • Google Colaboratory の基本
  • Colab の基本的な使い方
• Python 入門
  • Python の特徴
  • 変数
  • エスケープシーケンス
  • 文字列メソッド
  • 浮動小数点数がもつメソッド
  • 複合データ型
  • 制御構文
  • 関数
  • クラス
• 機械学習に使われる数学
  • 機械学習とは
  • 教師あり学習の考え方
  • 目的関数
  • 目的関数の最適化
  • 機械学習で使われる数学
• 微分の基礎
  • 微分と関数最小化の関係
  • 2 点間を通る直線の傾き
  • 接線の傾き
  • 微分の公式
  • 線形性
  • 合成関数の微分
  • 偏微分
• 線形代数の基礎
  • スカラ・ベクトル・行列・テンソル
  • ベクトルを入力とする関数
  • ベクトル値関数
  • ベクトル値関数の微分
  • 合成関数の微分（多変数バージョン）
• 確率・統計の基礎
  • 確率・統計と機械学習の関係
  • 確率変数と確率分布
  • 同時分布・周辺確率
  • 条件付き確率
  • ベイズの定理
  • 尤度と最尤推定
  • 事後確率最大化推定（MAP推定）
  • 統計量
• Step 1 の演習問題
  • 「2. Python 入門」 の演習問題
  • 「4. 微分の基礎」 の演習問題
  • 「5. 線形代数の基礎」 の演習問題
  • 「6. 確率・統計の基礎」 の演習問題

機械学習とデータ分析入門

• 単回帰分析と重回帰分析
  • 単回帰分析
  • 重回帰分析
• NumPy 入門
  • NumPy を使う準備
  • 多次元配列を定義する
  • 多次元配列の要素を選択する
  • ndarray のデータ型
  • 多次元配列を用いた計算
  • ブロードキャスト
  • 行列積
  • 基本的な統計量の求め方
  • NumPy を用いた重回帰分析
• scikit-learn 入門
  • scikit-learn を用いた重回帰分析
  • 各ステップの改善
• CuPy 入門
  • GPU とは
  • CuPy を使う準備
  • NumPy と CuPy の比較
  • NumPy を使用した場合の処理時間測定
  • CuPy を使用した場合の処理時間測定
• Pandas 入門
  • CSV ファイルの読み書き
  • DataFrame の表示
  • 先頭の数件だけを表示
  • CSV ファイルの保存
  • データフレームの形
  • 統計量の算出
  • 並べ替え
  • データの選択
  • 条件指定による要素の選択
  • 欠損値の除去・補間
  • ndarray とデータフレームを相互に変換
  • グラフの描画
• Matplotlib 入門
  • 散布図
  • ヒストグラム
  • 箱ひげ図
  • 折れ線グラフ
  • グラフの調整
  • seaborn

ディープラーニング入門

• ニューラルネットワークの基礎
  • 事前に読んでおく必要がある章
  • ニューラルネットワークとは
  • ニューラルネットワークの計算
  • ニューラルネットワークの訓練
• Chainer の基礎
  • Chainer とは
  • Chainer の準備
  • Chainerによる訓練
  • 訓練済みネットワークを用いた推論
• Chainer の応用
  • Step 1 : データセットの準備（応用編）
  • Step 2 : ネットワークを決める（応用編）
  • Step 3 : 目的関数を決める（応用編）
  • Step 4 : 最適化手法を選択する（応用編）
  • Step 5 : ネットワークを訓練する（応用編）
• トレーナとエクステンション
  • トレーナの使用方法
  • レポータで様々な値を記録する
  • 訓練の早期終了