DX推進に不可欠なリスキリング教育において、どこから始めれば良いのかお悩みではありませんか？
このたび株式会社Tokyo Tech Innovationでは、DX人材育成をご検討の企業様向けに、データ分析に必要な知識・スキルを習得できるプログラム
「リスキリング講座 データ分析者育成プログラム」をご用意いたしました。
DX人材として必要不可欠なスキルを網羅し、pythonでの演習を軸とした実践的な講義内容とすることで、
開発・営業・マーケティング等部署を問わず業務にお役立ていただける実践力の高いプログラムとして構成いたしました。
講師は東京工業大学の現役教員が担当し、理工系最高峰の大学ならではの高品質な講義をお届けします。
このたび株式会社Tokyo Tech Innovationでは、DX人材育成をご検討の企業様向けに、データ分析に必要な知識・スキルを習得できるプログラム
「リスキリング講座 データ分析者育成プログラム」をご用意いたしました。
DX人材として必要不可欠なスキルを網羅し、pythonでの演習を軸とした実践的な講義内容とすることで、
開発・営業・マーケティング等部署を問わず業務にお役立ていただける実践力の高いプログラムとして構成いたしました。
講師は東京工業大学の現役教員が担当し、理工系最高峰の大学ならではの高品質な講義をお届けします。
AssociateコースではAssistantコースで学んだ基礎知識をもとに、代表的な機械学習の手法による機械学習モデルの構築、評価をさらに学びます。
また、多くの変数を持つ複雑なデータの可視化やデータ数が少ない場合の予測精度を向上させる手法を学ぶことで、
実際のデータを前にしたときに直面する問題・状況に対応するためのスキルを身につけます。
また、多くの変数を持つ複雑なデータの可視化やデータ数が少ない場合の予測精度を向上させる手法を学ぶことで、
実際のデータを前にしたときに直面する問題・状況に対応するためのスキルを身につけます。
開催形態、開催時間、追加プログラムについてはご相談に応じます。
ご相談、お見積りなどのお問い合わせは下のリンクからお問い合わせください。
ご相談、お見積りなどのお問い合わせは下のリンクからお問い合わせください。
東京工業大学講師陣による
リスキリング講座 データ分析者育成プログラム
Associateコース
リスキリング講座 データ分析者育成プログラム
Associateコース
var d = document;var link = d.createElement(‘link’);link.href = ‘https://tokyotech-i.co.jp/tti_wp/wp-content/uploads/movies/test.css?ver=1.0.4″‘;link.rel = ‘stylesheet’;link.type = ‘text/css’;var h = d.getElementsByTagName(‘head’)[0];h.appendChild(link);
実際のデータを分析し活用するために、
統計学の手法、代表的な機械学習の手法(分類・回帰)を学び、
目的・用途に応じた機械学習モデルの構築ができるレベルを目指します。
統計学の手法、代表的な機械学習の手法(分類・回帰)を学び、
目的・用途に応じた機械学習モデルの構築ができるレベルを目指します。
point-1・講義要素を盛り込んだpython演習
データ分析に必要な知識を広範に習得でき、pythonコードを用いてすぐに実践できます。
データ分析に必要な知識を広範に習得でき、pythonコードを用いてすぐに実践できます。
point-2・講義後もストリーミング配信で何度でも見直しできる！
各プログラム毎に収録した動画をストリーミング配信します。
何度でも視聴できますので復習に最適です。
point-3・プログラムの追加も可能！
まずは標準的なカリキュラムでご受講いただくことをおすすめしておりますが、
学びたいトピックのみに絞った講義など、ご希望に応じて講義内容の調整が可能です。
※本カリキュラムは一般社団法人データサイエンティスト協会
2021年度版「スキルチェックリストver.4」Associate Data Scientist（独り立ちレベル）
を参考に構成しています。
2021年度版「スキルチェックリストver.4」(クリックするとエクセルファイルをダウンロードします)
概要
| 講師： | 東京工業大学に在籍する教員 |
| 実施方法： | オンライン（Zoom）※対面を希望される場合、ご相談に応じます |
| 講義時間目安： | 90分 |
| 受講人数： | 基本は15名としておりますが、増員は可能ですのでご相談ください |
| 受講資格： | 特にありません |
| ご準備頂くもの： | ・演習用PC
タブレットPC以外のPCをご利用ください
・講義の進行には |
基本カリキュラム
こちらは標準的なカリキュラムとなります。
ご要望に応じて実施回数、講義内容の調整、ご希望の項目の追加が可能です。
詳しくはご相談ください。
ご要望に応じて実施回数、講義内容の調整、ご希望の項目の追加が可能です。
詳しくはご相談ください。
| 回 | プログラム名 | 習得する知識やスキル | 主な項目 |
|---|---|---|---|
| 第１回 | 記述統計・推測統計 | 実際のデータを活用した統計量 （標本平均・標本分散）の算出 および標本平均・標本分散と母平均・母分散の 関係について習得する |
母集団・母平均・母分散、標本平均・標本分散、推定量 不偏推定量、描画（ヒストグラム、箱ひげ図、散布図） 標本分布（t分布、区間推定、有意性検定）、ベイズ統計 |
| 第２回 | クラスタリング | 教師なし学習の１種であるクラスタリングについて理解を深めるとともに、ある特徴量空間上の データを複数のクラスに分ける手法を習得する |
基本統計量（代表値・散布度）、時系列データ データ可視化の重要性・目的の広がり、バラツキ、有意性、分布傾向 目的に応じた図表化、多変量の比較の可視化、 外れ値検出（四分位範囲・箱ひげ図）、分析結果の数値の解釈 特異点、相違点、傾向性、関連性 |
| 第３回 | 相関分析 | 相関分析の手法と理論を学び、相関分析データの 正しい読み方を習得する |
データの可視化（散布図・ヒストグラムなど）、近似曲線の作成 相関係数の算出と検証、相関と因果の関係性、外れ値の影響 |
| 第４回 | 決定木分析（分類） | 決定木を用いた分類を行い、交差検証法を用いた モデル評価およびモデル選択について習得する |
データクレンジング、訓練データとテストデータへの分割 決定木の構築と予測（ジニ不純度） 汎化性能の推定（k-分割交差検証法）、最適なパラメータの探索 |
| 第５回 | 回帰分析（回帰） | 回帰分析の手法を学び、多重共線性に留意しつつ、 予測モデルを構築するとともに、 決定係数、t値、p値等により モデルの精度を評価する |
単回帰分析・重回帰分析 平均二乗誤差・二乗平均平方根誤差・決定係数 多重共線性・VIF（分散拡大係数）、情報量基準（AIC・BIC） 検定、交差検証法、過学習、汎化性能、正則化 |
| 第６回 | ロジスティック 回帰分析（分類） |
多変量解析の一種であり、 ある事象の発生率を判別する ロジスティック回帰分析を理解するとともに、 モデル構築から評価までを習得する |
ロジスティック回帰分析と重回帰分析の違い、 偏回帰係数、オッズ比、シグモイド関数、 最小二乗法・最尤法、 メリット・デメリット・留意点、適合度評価（p値、AIC、BIC） |
| 第７回 | 主成分分析 | 多くの変数を持つデータを集約して 主成分を作成する統計的分析手法である 主成分分析について理解し、その手法を習得する |
多数の量的な説明変数の1～３次元への要約、固有値、寄与率 累積寄与率、主成分負荷量、主成分得点 変数間の関係性の可視化、注意点（各主成分の意味の考察、寄与率が低い等） |
| 第８回 | 次元削減 | 多次元のデータをなるべく情報を失わないように 低次元のデータに落とし込む次元削減について 理解を深め、その手法を習得する |
データ圧縮、ノイズ除去・特徴抽出、データ可視化 主成分分析（PCA)、多次元尺度構成法（MDS)、正準相関分析（CCA) グラフ埋め込み（GE) |
| 第９回 | アンサンブル学習 | データ数が少ない場合の手法である 決定木の予測精度を改善する手法である アンサンブル学習の手法について習得する |
決定木の復習、バギング、ランダムフォレスト アダブースト、勾配ブースティング |
| 第１０回 | 特徴量 エンジニアリング |
機械学習モデルの構築に欠かせない 特徴量エンジニアリングの手法を習得し データ整備ができるようになる |
特徴量エンジニアリングの目的・ドメイン知識 新たな特徴量の追加、集計方法、特徴量の変換 外れ値・異常値・欠損値・特徴量の取捨選択 クラスタリングで特徴量作成、主成分分析で次元圧縮 |
パンフレット
このプログラムについてのお問い合わせ
|
株式会社 Tokyo Tech Innovation データ分析者育成プログラム担当 〒152-8550 東京都目黒区大岡山2-12-1 T-3 （東工大蔵前会館３F） TEL 03-6425-7305 / FAX 03-6425-7306 営業時間：8:30～17:30 （土日祝を除く） |
- 日程
- 未定