ディープラーニングから次世代のAIである“進化的機械学習”へ

現在注目されている人工知能、特に深層学習 (ディープラーニング) に代表される統計的機械学習は高性能ですが万能ではなく、業務で利用する際には、処理がブラックボックスになり人手で調整できない、膨大な数の学習データが必要であるなどの問題があります。 　これらをどのように解決し、AIをどのように会社の業務で利用したら良いかについて、理論的な説明は最小限に留め、AIを業務で利用するという観点から、直感的で分かり易く解説します。

1. 人工知能と機械学習
   1. 人工知能の変遷と将来展望
   2. 機械学習の種類と特徴
   3. 統計的機械学習から進化的機械学習へ
2. 統計的機械学習の方法論とその特徴
   1. 教師あり/なし学習とその代表的な手法
   2. 神経回路網の原理と学習法
   3. 深層学習 (ディープラーニング) の基礎
   4. 深層学習 (ディープラーニング) の問題点
3. 進化的機械学習の方法論とその特徴
   1. 進化的機械学習とは?
   2. 進化計算法の原理とその改良手法
   3. 進化的機械学習の特徴
4. 統計的・進化的機械学習の利用例
   1. 非破壊検査のための画像処理の自動構築
   2. 特徴量の進化的最適化による画像認識
   3. 人の違和感検知を応用した異常検知
   4. 画像処理回路の全自動構築
   5. 任意の機能を実現できる進化型神経回路網
   6. 時系列信号の変動予測と投資戦略の構築
   7. 機械・ロボット群の最適制御
   8. ごく最近の応用例
5. 機械学習の業務応用
   1. 機械学習の導入における課題
   2. AI技術の導入方法
6. まとめ
• 質疑応答