現在注目されている機械学習、特に深層学習 (ディープラーニング) には、処理がブラックボックスになり説明不可能、構造設計が大変、膨大な学習データが必要といった産業応用上の問題点があります。
本セミナーでは、これらを解決して次世代のAIを実現する技術として最近注目されている進化計算法の原理、進化的機械学習と様々な問題に対する利用例、業務でのAIの利用方法などについて、学術的にではなく、企業でのAI利用者の立場に立った平易な解説を行います。
- 人工知能と機械学習の要点
- 人工知能の変遷と将来展望
- 人工知能の歴史
- 今後の人工知能
- 機械学習の種類と特徴
- 機械学習の種類と各手法の本質
- 現在主流の事例に基づく機械学習
- 教師あり/なし学習とその代表的な手法
- 教師あり学習の手法 ~SVM,Boostingなど~
- 教師なし学習の手法 ~K – 平均法,SOMなど~
- 教師あり/なし学習の今後の課題
- 深層学習 (ディープラーニング) とその問題点
- 神経回路網の原理とその学習方法
- 神経回路網研究の歴史と神経細胞のモデル化
- 相互結合型回路網とその機能
- 階層型神経回路網とその学習法・機能の本質
- 深層学習の基礎
- 深層学習とは何か?
- 深層学習を可能にした各種のテクニック
- 深層学習による処理の実例
- 深層学習の利用方法
- 各種の深層学習ライブラリ
- ライブラリの利用方法と構造設計
- 深層学習の最近の手法
- GANやYOLOなど最近話題の手法
- 深層学習の問題点とその対策
- 処理がブラックボックスになる問題
- 膨大で整備された学習データが必要な問題
- 未学習データに対する動作保証の問題
- 構造設計が職人芸である問題
- その他の問題
- 進化計算法の原理 (なぜうまく行くのか?)
- 進化計算法とその基本的な手順
- 進化計算法とは何か?
- 進化計算法の歴史と基本的な手順
- 遺伝的アルゴリズム (GA;Genetic Algorithm) の本質
- GAの基本処理手順
- なぜうまく探索できるのか? (進化計算法の本質)
- 遺伝的プログラミング (GP;Genetic Programming) の本質
- GPの基本処理手順
- 木構造最適化の実例紹介
- その他の進化計算アルゴリズム
- PSO・DE・CGPなどの従来手法
- GMA・GIN・GRAPEなどの長尾研による手法
- 進化的機械学習
- 進化的機械学習とは?
- 従来手法の紹介 (Classifier System)
- 進化計算法による機械学習の最適化と自動構築
- 進化計算法の今後
- 最強の進化計算法とは何か?
- 進化計算法の目指すべき発展方向
- 進化的機械学習の利用例
- 非破壊検査のための画像処理の自動構築
- 進化的画像処理 (数値最適化)
- 進化的画像処理 (構造最適化)
- 分かり易い認識器のための特徴量の進化的最適化
- GAによる特徴量の組合せ最適化
- 前処理の導入による特徴量の最適化
- 処理回路の全自動構築
- セル型回路による超解像処理の自動構築
- 深層回路の進化的簡約化
- 任意の構造と機能を実現する進化型ニューラルネットワーク
- 進化的ニューラルネットワークの原理
- 移動ロボットの行動最適化
- 時系列信号の変動予測と投資戦略の構築
- テクニカル戦略の進化的最適化
- 投資戦略の最適化
- 浸透学習法とその進化的最適化
- 浸透学習法とは何か?
- 浸透学習モデルの進化的最適化
- 機械学習の業務応用
- 機械学習の導入における課題
- 導入時の課題
- それでも機械学習を使う必要性
- AI技術の導入方法
- AI技術の長所と短所
- 企業での利用方法
- まとめ