少ない学習データを用いた高効率な機械学習とAIの業務への導入を成功させるコツ

現在、大企業・中小企業を問わず、業務へのAIの導入方法や利用上の問題などに悩まされている経営者・技術者の方々が非常に多いです。深層学習 (ディープラーニング) の発展により、従来は実現できなかった高い精度を達成でき、AIを適用できなかった業務への導入が可能になっているのは事実です。 　一方、深層学習はオールマイティな手法ではなく、何でも解決できるわけではありませんし、利用上の問題点も多いです。特に、学習に大量の洗練されたデータが必要なことは大きな障害となっており、最近ではできるだけ少量の学習データから有益なモデル化や利用が行える機械学習が求められています。 　そこで本セミナーでは、始めに人工知能と機械学習の概要と現状について触れた後、少ない学習データから高効率な機械学習とその具体的な利用方法、さらにAI導入時の注意点を紹介します。AIを業務に利用しようと考えているが、うまく行かずにお悩みの経営者・技術者の方々などを対象にして、少ない学習データを用いる機械学習やAI導入について、数式やプログラムをほとんど使わずに率直かつ平易に解説します。

1. 機械学習の現状と課題
   1. 人工知能と機械学習
   2. 機械学習の種類と方法
   3. 教師あり/なし/半教師つき学習
   4. 少量データを用いた機械学習とは?
2. 深層学習 (ディープラーニング) の現状と課題
   1. 階層型神経回路網の原理と問題点
   2. 深層学習の基礎と最近の手法
   3. 深層学習の問題点とその対策
3. 少量データを用いた機械学習1:関数推定
   1. ベイズ最適化に基づく関数推定
   2. 遺伝的プログラミング (GP) による関数推定
   3. CGP (Cartesian GP) による関数推定
4. 少量データを用いた機械学習2:異常検知
   1. 1クラスSVM (Support Vector Machine)
   2. CAE (Convolutional Auto Encoder) による異常検知
   3. 半教師あり学習によるクラス分類
5. 少量データを用いた機械学習3:少量データによる深層学習
   1. CG (Computer Graphics) を用いた機械学習
   2. GAN (Generative Adversarial Network) による水増し
   3. 転移学習と蒸留・浸透学習 (Percolative Learning)
6. 少量データを用いた機械学習4:進化的機械学習
   1. 進化計算法の原理と特徴
   2. 処理プロセスの自動生成
   3. 分かり易い分類器の自動生成
   4. CS (Classifier System) によるルールの学習
7. 企業への機械学習導入方法
   1. 機械学習導入における「基本8箇条」
   2. AIコンサルの必要性
8. まとめと質疑応答