課題解決、品質向上、技術向上のセミナーならTH企画セミナーセンター

製造業における業務課題を解決するための

フレームワークによる機械学習およびディープラーニングの基礎と製造業への導入(2日間)(PC演習付き)

エレクトロニクスソフトウェア化学機械

データ処理の基本,数値情報への変換方法,機械学習・ディープラーニングの基礎,
 製造現場から収集可能なデータ(数値・画像・音・言語)別にサンプルプログラムによる実習を通して
  異常時データの活用手法を解説する特別セミナー!!

講師

応用技術株式会社 ソリューション本部 事業推進部 AIアナリスト 太田 桂吾 先生

日時
会場

連合会館 (東京・お茶の水)

会場案内

Googlemapでの表示はこちら

受講料
(消費税等込み)1名:74,520円 同一セミナー同一企業同時複数人数申込みの場合 1名:66,960円
テキスト

受講概要

予備知識

 プログラムを少しでもやったことのある人が望ましいです

習得知識

 1)データ処理の基本
 2)画像・言語・音・状態の数値情報への変換
 3)機械学習の基礎
 4)ディープラーニングの基礎
 5)製造現場での異常検知

持参品

 Windows10搭載でメモリ:8G以上のノートPCをご持参下さい。
 32bit/64bitは問いませんが、32bitの場合はtensorflowは動作しません。
 (事前に環境設定プログラム,サンプルプログラムを配布します)

講師の言葉

 1日目は、機械学習・ディープラーニングを概観・整理します。
 データ分析の未経験者でもわかるように可能な限り数式を排して説明します。
 2日目は、製造業における業務課題を解決するために、取得できるデータ(数値・画像・音・言語)別に、
サンプルプログラムを通して解析手法を説明します。
 製造現場で実際にデータを取り扱われる方、企業内でAIでの課題解決を行う方に必須の内容となっております。

プログラム

1日目 基礎講座(「製造業」に特化せず、機械学習・ディープラーニングの基本を解説)   
   
1.機械学習/ディープラーニングを行う際に必要なデータ処理の基本  
 1)データの定義 
 2)扱うデータの特性を把握する 
  a) 時間軸/場所の考慮
  b) データを発生させるもの
 3)データの前処理 
  a) データの抜け、異常値への対応
  b) データの量を調整する(増やす/減らす)
  c) データの次元を削減する
 4)ディープラーニングの精度を上げるためにどのようなデータを用意するか? 
  a) 必要となるデータの量
  b) データクレジング
  c) フレームワークでの処理
 5)サンプルデータの説明 
  a) デモで使用するサンプルデータの説明
2. 機械学習/ディープラーニングの前に  
 ~対象物を数値情報へ変換する~ 
 1)統計をとる 
 2)画像を数値情報へ変換する 
 3)言語を数値情報へ変換する 
 4)音を数値情報へ変換する 
 5)状態を数値情報へ変換する 
3.機械学習の基礎と実践  
 1)機械学習の基本 
  a) データがモデルをつくる
 2)学習の種類 
  a) 教師あり学習の基本
  b) 教師なし学習の基本
  c) 強化学習の基本
 3)結果の分類 
  a) 回帰
  b) クラス分類
 4)Windowsで機械学習環境をオープンソースにて構築 
  a) 使用可能なオープンソース一覧
  b) Pythonの設定(Windows10端末の例)
 5)サンプルデータを機械学習で処理 
  a) Pythonを実行し結果を得る
 6)機械学習のプログラム解説 
4.ディープラーニングの基礎と実践  
 1)機械学習とディープラーニングの違いは? 
  a) ディープニューラルネットワークとは
  b) 把握すべきディープニューラルネットワークの特性
 2)ディープラーニングを分類し、その特徴を把握する 
  a) 畳み込みニューラルネットワーク CNN(Convolutional Neural Network)
  b) 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
  c) 強化学習 (Deep Q-learning)
   
2日目 実習講座 (「製造業」に特化して)   

5.製造現場から収集可能なデータ  
 1)画像 
  a)画像収集方法
  b)画像に対する処理一般
 2)音 
  a)音の収集方法
  b)音に対する処理一般
 3)センサーデータ 
  a)センサーデータに対する処理一般
6.「製造現場」での異常検知  
 1)正常時・異常時データを用いる(画像・音) 
  a)教師あり学習(復習と詳細)
  b)実習
 2)正常時データのみ用いる(画像・音) 
  a)オートエンコーダー
  b)実習
 3)正常時・異常時データ+時系列データを用いる(センサー・音) 
  1)RNN
  2)実習
 4)正常時・異常時データ+時系列データを用いる(センサー・音) 
  1)RNN+オートエンコーダー
  2)実習

講師紹介

  1990年 3月 岡山大学 文学部卒業
    同年   4月 応用技術株式会社 入社
    多くのWEBシステム構築に携わる
    近年はデータマイニング技術の応用に携わる
    一般企業向けの機械学習・ディープラーニングセミナー開催 多数

関連セミナー

人工知能の最新技術と応用そして今後の動向

エレクトロニクスソフトウェア化学機械

ディープラーニング手法による異常検知と製造加工業への応用展開 ~品質検査(表面・外観検査)、故障診断、欠陥・寿命予測等~

エレクトロニクスソフトウェア機械

製造業における実用化レベルの「人工知能」導入&活用方法~エンジニアリングにおける人工知能の導入事例と最適活用法~

エレクトロニクス機械

機械学習及びディープラーニングの業務課題への対応(PC演習付き)

エレクトロニクスソフトウェア化学機械

機械学習による異常検知の基礎と応用事例

エレクトロニクス化学機械

業務でAIを有効活用するための機械学習・ディープラーニングの基礎・効率的学習法とAIの産業応用~深層学習とその問題点・解決策・今後のAIなど~

エレクトロニクスソフトウェア化学医薬機械

画像認識のためのパターン認識・機械学習とディープラーニング入門

エレクトロニクス化学機械

Pythonによる機械学習の基礎と異常検知への応用(PC実習つき)

エレクトロニクス化学機械

Pythonではじめる機械学習入門(PC演習付き)~基礎からライブラリの活用、実装に向けた入門知識まで~

エレクトロニクスソフトウェア化学機械

機械学習の基礎知識と製造業における活用事例

エレクトロニクス化学機械