<実習セミナーにつき1口受講はありません>



実習セミナー

Pythonによる
機械学習と異常検知への応用
 ~機械学習の概要、クラスタリング、可視化と自己組織化マップ、異常検知と応用例~

S190118K



 開催日時:2019年1月18日(金) 10:30-17:30

 会  場:オームビル(東京都千代田区神田錦町3‐1)

       【地下鉄】
             東西線『竹橋駅』徒歩3分
             三田線・新宿線・半蔵門線『神保町駅』徒歩7分
             新宿線・千代田線『小川町駅』徒歩7分
             丸ノ内線『淡路町駅』徒歩8分
          【JR】
             中央線・山手線・京浜東北線『神田駅』徒歩12分
             中央線・総武線『御茶ノ水駅』徒歩11分
             


受 講 料:
55,000円[税別]/1名



ノートPCをご持参ください。
事前に以下のインストールをお願い致します。


・要インストールソフト 
  Anaconda (Python 3.6バージョン)

   https://www.continuum.io/downloads
  
somoclu:
  
https://somoclu.readthedocs.io/en/stable/


*64bitのPCにてお願い致します。Mac、Windowsの別は問いません。
*メモリは4GB以上を推奨します。
*当日会場にて、実習教材データの入ったUSBメモリを配布します。
*実習教材データは皆様に贈呈いたします。



画像認識セミナー日程表  新宣伝セミナー日程表

 講 師


 福井 健一 氏
 


    大阪大学 産業科学研究所
      知能アーキテクチャ研究分野 
        准教授 博士(情報科学)



  【講師紹介】
    2005年~2010年3月   大阪大学産業科学研究所新産業創造物質基盤技術研究センター
                 ・特任助手(職名改名により2007年より特任助教)
    2010年3月       大阪大学大学院情報科学研究科より 博士(情報科学)取得
    2010年4月~2015年6月 大阪大学産業科学研究所第1研究部門(情報・量子科学系)・助教
    2015年7月~現在    同 准教授。


  <講師より>
    昨今のAIブームの火付け役とも言えるディープラーニングは強力な
   学習手法ですが、万能ではありません。問題の特性をよく理解して適
   切な機械学習手法を選択し、適切に用いることが重要です。
    本セミナーでは、機械学習における「教師なし学習」について、
   また、特に要望の多い「異常検知」の理論や手法の説明とともにPythonを
   用いた簡単な実習を交えて機械学習の理解を深めます。
    これから本格的な勉強を始める前に概要と雰囲気を掴むには最適かと思います。



  <受講対象者>
   ・機械学習・異常検知に取り組んで間もない方
   ・機械学習・異常検知を業務で利用しようとしている方
   ・Pythonによる機械学習・異常検知を基礎から学びたい方
   ・その他、機械学習・異常検知に興味のある方

  <予備知識>
   ・高校卒業程度の数学の知識(微分、確率・統計、行列計算等)
   ・プログラミングの経験(Pythonでなくても良い)

  <修得知識>
   ・機械学習・異常検知の基礎
   ・代表的な教師なし学習の理論的背景と実運用の指針(PC実習を通して)
   ・機械学習に基づく異常検知の基礎と実運用の指針(PC実習を通して)




 講義項目

  1.機械学習の概要
  
(1).ビッグデータ時代
  (2).機械学習とは?
  (3).最近の例
  (4).機械学習の分類
  (5).教師あり学習
    a.識別
    b.回帰
  (6).教師なし学習
    a.モデル推定
    b. パターンマイニング
  (7).半教師あり学習
  (8).深層学習(ディープラーニング)
  (9).強化学習
 (10).機械学習の基本的な手順
    a. 前処理
    b.次元の呪い
    c.主成分分析による次元圧縮
    d.バイアスとバリアンス
    e.評価基準の設定:クロスバリエーション
    f.簡単な識別器:k-近傍法
    g.評価指標:F値,ROC曲線
    h.k-近傍法を用いた実習:機械学習の基本的な手順の確認


  2.教師なし学習(1):クラスタリング
   
(1).クラスタリングとは?
   (2).階層型クラスタリング
   (3).k-meansクラスタリング
   (4).ガウス混合モデルによるクラスタリング
   (5).クラスタリング妥当性指標
   (6).k-means法を用いた実習


  3.教師なし学習(2):可視化と自己組織化マップ
   
(1).可視化の形式化
   (2).古典的な可視化法」
     a.主成分分析による可視
     b.多次元尺度構成法による可視化
     c. Sammon’s mapping
   (3).グラフによる埋め込み法
   (4).自己組織化マップの概要
   (5).自己組織化マップのアルゴリズム
   (6).自己組織化マップを用いた実習
  
  4.異常検知
   
(1).異常検知の基本的な考え方
   (2).性能評価の方法
   (3).ホテリング理論による異常検知
   (4).主要な異常検知法
     a. One-class Support Vector Machine
     b.Local Outlier Factor
     c. Isolation Forest
   (5).各種異常検知法の比較(実習含む)


  
5. 異常検知の応用例紹介
   ・ 回転機器の振動データに対する異常検知




 お1人様      受講申込要領 セミナー 総合日程 画像認識 セミナー日程 新宣伝 セミナー日程