＊＊重要＊＊
Google Colaboratory の Python バージョンが 3.12 にアップデートされたことに伴い、動画内で使用している機械学習ライブラリ「PyCaret」が現時点では利用できなくなっております（2025年8月時点で PyCaret の対応は Python 3.9～3.11 まで）。
そこで適切なバージョンのpythonをAnacondaでインストールする方法を動画で解説しております。
・【重要】1.初めにご覧ください_Anacondaインストール
・【重要】2.初めにご覧ください_ライブラリインストール

講義動画内ではGoogle Colaboratoryを使った解説を行っておりますが、Anacondaを用いて演習を行って頂けますと幸いです。


機械学習自動化シリーズ第4弾！
今回は、モデルの精度をムダなく最大化するパラメータチューニングを徹底解説。Optunaライブラリを用いた新時代のパラメーターチューニングをこの機会にマスターしましょう！

今回の講義では、機械学習モデルの精度向上に不可欠なパラメータチューニングについて学びます。
パラメーターとは分析モデルの細かな設定のことで、これらを最適なものに調整することで予測モデルの精度を向上させることができます。この調整をパラメーターチューニングと言います。

基本的にパラメータチューニングは一つ一つの調整を試してみて、その中で最も良いものを選ぶという探索を行うことになるのですが、この探索が手間や時間がかかる作業となります。そこで今回はその探索を効率的に行えるベイズ最適化という方法を活用します。Pycaretでは非常に簡単にこの仕組みを利用することが出来ます。人間がやることは少しのコードを書いて後は待つだけ。新時代のパラメーターチューニングを体感してみましょう。

題材として、顧客のサブスクリプション解約予測を扱います。分類問題の一例として、解約する可能性の高い顧客を特定し、適切な対策を講じる方法を学びます。この分析を活用することで、以下のような施策が可能になります。

・解約リスクの高い顧客へのアプローチ（割引・特典の提供、個別フォロー）
・サービス改善の指標として活用（解約要因の分析によるUX向上）
・マーケティング施策の最適化（ターゲットを絞った広告・キャンペーンの展開）

解約予測の活用は、顧客満足度の向上や継続率の改善につながり、安定したサービス運営に貢献します。本講義を通じて、実務に活かせる機械学習の知識を身につけましょう。

※こちらの動画にはお得なシリーズセット版(第1弾～5弾収録)がございます。
■【機械学習自動化】 Pythonで学ぶAutoML講座（セット版）

・質的データを予測するための機械学習分類モデル（ランダムフォレスト、lightGBM）
・分類モデルの評価指標（正解率、F値、AUC、ROC）
・パラメータチューニング（グリッドサーチ、ベイズ最適化）
・Python言語による実践（顧客の退会予測モデル）

・お仕事でデータ分析にかかわる方（マーケティング・人事・販売管理）
・ビジネスにデータサイエンスを導入したい経営者の方
・統計学やデータサイエンスを学びたい方
・機械学習に興味のある方