☆☆☆Web配信セミナー☆☆☆
Pythonによる異常検知
機械学習による異常検知の基本と応用がわかる！
S210517KW
☆☆☆本セミナーは、Zoomを使用して行います☆☆☆
開催日時：2021年5月17日（月） 10:30-16:30
受 講 料：お1人様受講の場合 50,600円[税込]／1名
1口でお申込の場合 62,700円[税込]／1口（3名まで受講可能）
※サブテキストとして「Pythonによる異常検知」(曽我部東馬 著、3,520円(税込)、オーム社)を
使用しますので、申込用紙のテキスト希望欄に冊数をご記入ください。
受講料、テキスト代(実費)を合わせて請求させていただきます。
【経歴・研究内容・専門・ご活動など】
物理学の専門家で、東京大学物性研究所、国立分子研究所で学び、
ドイツ マックス・プランク研究所、イギリス ケンブリッジで働いた後、
2009年に一旦研究分野から離れ、(株)グリッドの共同設立者となり会社を立ち上げる。
その後、東京大学 先端科学技術研究センターに研究の場所を移し、
特任准教授として量子構造半導体デバイスの開発及びその理論計算、人工知能の研究を行う。
2016年より電気通信大学の准教授および（株）GRIDの最高技術顧問を兼任。
現在は、気象予測を含めた大規模発電・消費電力予測、製造搬送装置システムに
おける搬送時間と渋滞予測、高速道路の長短期渋滞予測、製造装置における
欠陥と故障予測などの研究開発に従事する。
また、深層学習フレームワーク∞ReNomの開発に従事する。
【講師WebSite】
http://cluster-iperc.matrix.jp/ja/
http://www.gridpredict.jp/
0 機械学習と異常検知
1 異常検知の定義
2 異常検知におけるデータの分類と手法の選択
3 異常検知の活用例
1 機械学習と統計解析の基本モデル
1.1 機械学習と誤差関数
1.2 機械学習と統計解析の比較
1.3 教師あり学習──分類と回帰
1.4 教師なし学習──特徴抽出・クラスタリング・次元削減
2 非時系列データにおける異常検知
2.1 異常検知とデータ構造
2.2 正規分布に基づく異常検知
2.3 非正規分布に基づく異常検知
2.4 高度な特徴抽出による異常検知
2.5 関数近似に基づく値異常検知
2.6 異常検知モデルの検証
3 時系列データにおける異常検知
3.1 時系列データの性質
3.2 自己回帰型モデルによる時系列データの解析
3.3 状態空間モデルによる時系列データの解析
3.4 機械学習による時系列データの解析
3.5 時系列データにおける異常検知
4 深層学習による異常検知
4.1 深層学習フレームワークReNomを用いた異常検知
(1) seq2seqを用いた人工データに対する異常検知
(2) seq2seqを用いた心電図データに対する異常検知
(3) 生成モデルanoGANを用いた画像データに対する異常検知
(4) LSTMを用いた心電図データに対する異常検知
4.2 深層学習による異常検知の応用事例
(1) 表面検査
(2) 故障評価
4.3 異常解析分野の現状と課題
(1) データの高次元性と非構造多様性
(2) 学習結果の可読性と可視化
