☆☆☆Web配信セミナー☆☆☆
~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~
S200702K
開催日時:2020年7月2日(木) 10:00-17:00
受 講 料:お1人様受講の場合 47,000円[税別]/1名
1口でお申込の場合 57,000円[税別]/1口(3名まで受講可能)
【
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
用いた実装の解説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
・機械学習に基づく異常検知の基礎と実運用の指針
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-近傍法を用いた識別:機械学習の基本的な手順の確認(Python解説)
2.教師なし学習:クラスタリングと可視化
(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).自己組織化マップ
(6).クラスタリング妥当性指標
(7).自己組織化マップを用いた可視化(Python解説)
3.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(Python解説)
4.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