少ないデータによるAI・機械学習の進め方、活用の仕方

セミナーに申し込む
オンライン 開催

日時

開催予定

プログラム

第1部 転移学習技術を用いた生産条件最適化の精度と効率を両立する進め方

(2025年7月8日 10:30〜12:00)

 サプライヤーの変更など、品質に影響を与える事象が発生した場合でも、ものづくり現場では高い品質と生産性の維持が求められています。実験計画法を用いた設備パラメータの調整など、比較的小規模なデータセットに転移学習を適用するケースを想定し、量産以降のパラメータ調整を転移学習を用いてより少ない工数で精度よく行う方法について、実験用包装機を用いた実証を交えて解説します。

  1. 製造現場で精度と効率の両立が求められる背景
  2. 転移学習を用いた生産条件最適化の進め方
    1. 進め方の概要
    2. 技術解説
      • 実験計画法
      • 転移学習 (FEDA)
      • 回帰分析 (SVR)
    3. シミュレーションによる効果確認
  3. 実験用包装機を用いた効果検証
    1. 検証プロセス、 検証結果
    2. 実行時のポイント、 今後の課題
  4. 生産条件最適化の今後の展望

第2部 高速スパースモデリングによるデータ分析 〜理論と実用〜

(2025年7月8日 13:00〜14:30)

  1. スパースモデリング概要
  2. 枝刈りによる高速スパースモデリング
    1. スパースモデリングによる特徴選択
    2. 枝刈りによる高速化
  3. スパースモデリングの実用
    1. 時系列データにおける機械学習概要
    2. スパースモデリングのユースケース
    3. ノーコードAI開発ツール「Node – AI」によるデモ

第3部 深層学習を用いた少ないデータへの対処と精度向上のポイント

(2025年7月8日 14:45〜16:15)

 業務効率化のために、AIや機械学習、とりわけ深層学習の技術を取り入れる事例が増えてきていることかと思います。しかし実際には、データを用意することが困難であり、少ないデータを有効活用しなければならないケースもあります。この解決策にはデータ拡張が有効ではあるものの、明確な解決策が示されていないことも事実です。  本講演では、このようなデータが限られている場合やデータが少ない場合における対処方法と精度向上について、簡単な例を交えてデータの見方と共にご紹介いたします。

  1. 優れた予測技術の背景
    1. どのような技術があるのか
    2. どのようなデータをつかっているのか
  2. 予測が上手くいっている理由はなにか
    1. どのように学習させているのか
    2. 学習のデータ形式に制約はあるのか
  3. データが少ないときに隠れている問題点
    1. どこに注目すればよいのか
    2. データを可視化したときの注意点
  4. データが少ない場合の対処法
    1. 単なるデータ拡張ではダメな例
    2. 効率的にデータ拡張を行うには
  5. 予測精度を上げるコツ
    1. 正則化について
    2. 正則化を用いた例
  6. データ拡張における注意点
    1. データ拡張の判断ポイント
    2. データ拡張の一例

受講料

複数名同時受講割引について

アカデミック割引

日本国内に所在しており、以下に該当する方は、アカデミック割引が適用いただけます。

ライブ配信セミナーについて