はじめにこんにちは！高専テクノゼミの斉藤優也です！8月26日（月）に、1ヶ月間のAI実践教育プログラムが始まりました！今回は企画責任者の私が、Week2で学んだ内容や、学生さんの取り組みについてご紹介 させて頂ければと思います！ 毎週記事を更新していくので、是非楽しみにしておいてください☆実践教育AIのキックオフの記事はこちらWeek1 の記事はこちらWho am I ? （読み飛ばしOK）（名前）斉藤 優也（さいとう ゆうや）（所属）久留米高専卒、九州大学修士2年生-ヒューマンインタフェース研究室（専門）画像認識や機械学習の理論について（貢献）企画設計、カリキュラム作成、コンテンツ作成、学生メンタリング（原動力）熱意・勇気のある高専生、使命感、社会貢献性（ダイジェスト）Week2で学んだことをチラ見せしちゃいます！^^%3Ciframe%20src%3D%22https%3A%2F%2Fdocs.google.com%2Fpresentation%2Fd%2F19K5nGlxdzG6cFGKLLe52xnGFgmf2bWfEBV5kheJSLbk%2Fembed%3Fstart%3Dfalse%26amp%3Bloop%3Dfalse%26amp%3Bdelayms%3D3000%22%20frameborder%3D%220%22%20width%3D%221123%22%20height%3D%22823%22%20allowfullscreen%3D%22true%22%20mozallowfullscreen%3D%22true%22%20webkitallowfullscreen%3D%22true%22%3E%3C%2Fiframe%3EWee2では以下の大きく３つの内容について学んで頂きました。（1）距離とクラスタリング（2）相関分析と回帰分析（3）主成分分析（キーワード）マンハッタン・ユークリッド距離、コサイン類似度、K-meansクラスタリング、相関係数、最小二乗法、単回帰・重回帰分析、PCA分析（1）距離とクラスタリングクラスタリングとは「データの集合をいくつかの部分集合に分割（グルーピング）する方法」のことです。データをいくつかの集合に分割して扱いたいときに有効な方法で、非常に重要な技術です。本プログラムに参加された皆様は以下のような疑問に回答できるようになりました！Q1. どのような尺度・基準で同じグループに分割（クラスタリング）しているか？Q2. 分割するグループ数は（事前に）どうやって決めるのか？これらの回答が知りたいと思った人は、次回開催予定の第三回 AI実践教育プログラムにご参加ください (^_^)v（2）相関分析・回帰分析相関分析では２つの要素の関係性（相関）を分析します。例えば、"身長と体重" や "身長とバレーボール攻撃失敗率"、"身長と数学の点数" などの関係性を調べます。回帰分析はチョー重要な内容なので、次章で詳しく紹介しますね！本プログラムに参加された皆様は以下のような疑問に回答できるようになりました！Q1. 関係があるとは、数学的にはどうやって定義するのか？（"身長と体重"は関係してそうだけど、"身長と数学の点数"は無関係だよな．．．これってどうやって定まってるの？）Q2. あるコンビニでの過去365日分の天候データ（天気、気温、湿度）から、明日の天気でのアイスの売り上げを予測するには？（3）主成分分析主成分分析とはカレーで例えると「カレーを構成する具材・調味料を調べて、どのようなカレーかを分析する方法」です。一般的には、与えられた特徴量（具材・調味料）から新たな特徴量（主成分）を作り出し、より少ない具材や調味料（次元）でデータを説明する分析方法です。例えば温泉の成分表を見れば、その温泉の特徴（効能など）がわかるのと似ていますね。本プログラムに参加された皆様は以下のような疑問に回答できるようになりました！Q1. 各成分の重要度はどうなっているのか？（カレーの味を決めるのは、具材？スパイス？水？）Q2. なんとなく使ってた "行列の固有値" がどの場面で使われているのか？回帰分析を"チョー簡単に" 説明してみた（読み飛ばしOK）%3Ciframe%20src%3D%22https%3A%2F%2Fdocs.google.com%2Fpresentation%2Fd%2F1fwYiXgNcmeYbFHJGYIbOb6LMKO-zpS4DO8ZKttw6uLE%2Fembed%3Fstart%3Dfalse%26amp%3Bloop%3Dfalse%26amp%3Bdelayms%3D3000%22%20frameborder%3D%220%22%20width%3D%221123%22%20height%3D%22823%22%20allowfullscreen%3D%22true%22%20mozallowfullscreen%3D%22true%22%20webkitallowfullscreen%3D%22true%22%3E%3C%2Fiframe%3E回帰分析とは「入力に対する結果を推定する手法」です。回帰分析は3ステップから構成されています。「データ収集 ▶︎ モデル当てはめ ▶︎ 予測」という流れで" 入力"に対する"結果"を予測します。（詳細はスライド参照）Wee2では課題として「回帰分析」についての演習問題を解いて頂きました。非農業の雇用、給料、給料支出額と4種類の小売業の11年間分の4半期販売データを使って、相関係数を算出して最も相関が高いペアを求めてもらいました。また、それらを使って重回帰分析に取り組みました。課題を滑り込みで提出したWeek2でした！Week2の課題提出締め切りとして 9/6 (金)12：00を設定していましたが、9/5 (木)の時点での提出がわずか 5人 / 13人 でした（笑）。課題を管理しているメンター側は、「大丈夫だろうか・・・？ まさかWeek2で半分以上離脱とかないよね・・？」と不安になっていました。しかし、流石は締め切りを守る高専生で、その後、7人の学生が課題の滑り込み提出をしてくれました...!! 👏👏 筆者の私も高専在学中には課題を直前に行なっていた経験があり「教員側はこんなに心配だったのか・・・」と改めて感じさせて頂くきっかけとなりました。また毎週開催の "課題一緒にやろうぜ会" では、3人の学生さんが参加してくれました。参加してくれた学生さんの中に「課題は全て終わったけど、メンターの解説を聞きたいから参加した！！」という方もいて、積極的に学ぶ姿勢に心打たれました😢Week2では、プログラム参加者の皆さんの ”積極的な姿勢や最後まで課題をやり遂げる努力” が垣間見えてとても胸が熱くなりました。最後に今回はWeek2で学んだ内容や授業の様子、学生さんの取り組みについてご紹介させて頂きました。Week2は課題提出の締め切りギリギリで危なげながらも、なんとか終えることができてホッとしています。Week3ではこれまで学んだ内容を "中間報告" としてスライドにまとめてもらい、プレゼン形式で発表する機会を設けています。是非Week3の記事もお楽しみにしておいてください！今回のプログラムを通じて、一人でも多くの学生に自信を持って帰って頂けるようにメンターを含めた運営一同尽力していますので、是非皆様にも応援して頂ければ幸いです🔥Week1に引き続き、ここまで記事を読んで頂いた皆様ありがとうございました。