データ処理を的確に行うための製造業におけるディープラーニングの活用とデータ処理の進め方

製造業での課題解決に対して、機械学習・ディープラーニングを使用する際の、基本、注意事項を1日で概観できます。まず、機械学習の基本とディープラーニングの基本を極力数式なしで説明します。その後、講師が実際のデータを操作することで、データをどう扱うかを学習していきます。画像 (分類) 、音 (異常検知) 、センサーデータ等、それぞれの例で解説しますので、それぞれがどのように取り扱われるか、注意点は何か、が具体的に学習できます。 　また、受講者でノートPCを用意いただければ、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ので、自身でも動作を確認することも可能です。実際にデータを取り扱われる方、製造業での課題解決に機械学習・ディープラーニングを活用する最初の1歩となります。

1. 機械学習/ディープラーニング概観
   1. データ分析と統計
2. 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
      1. 時間軸/場所の考慮
      2. 画像
      3. 音
      4. センサー (時系列) データ
      5. その他 (言語)
   3. 特徴量エンジニアリング
      1. 特徴量エンジニアリングとは何か
      2. 具体例
3. 機械学習の基礎と実践
   1. 機械学習の基本
      1. データがモデルをつくる
   2. 学習の種類
      1. 教師あり学習の基本
      2. 教師なし学習の基本
   3. 結果の分類
      1. 回帰
      2. クラス分類
   4. 製造業でのサンプル
      1. 画像データによる傷の検知
      2. 音データ処理による異常検知
      3. センサーデータ処理による時系列データ処理
4. ディープラーニングの基礎と実践
   1. ディープラーニングの基本
      1. 基本的な仕組み
      2. ほとんど数式なしの誤差逆伝播理解
   2. 製造業でのサンプル
      1. CNNによる画像データによる傷の検出
      2. RNNによる音データ処理による異常検知
      3. RNNによるセンサーデータ処理による時系列データ処理
5. 製造業と機械学習
   1. 機械学習による課題解決
      1. PoCへの取り組み (なるべく小さな範囲で)
      2. PoCからソリューションへ
   2. 精度はどこまで求めるか
      1. 精度は100%にはならない
      2. 運用も含めた 100%を目指す