工場という現場で収集できるデータから何が見えてくるのか。とにかく実践で使えることを第一に考えたセミナーです。前半では、機械学習・ディープラーニングを概観・整理します。データ分析の未経験者でもわかるように可能な限り数式を排して説明します。また、データの整備が非常に重要であることの確認を行います。後半は、工場で収集できるセンサーデータ、音、画像等を想定しその精度により、どの程度の差異が生まれるか、を実験していきます。また、数値・画像・音の各データの違いにより、処理を概観します。

1. 機械学習/ディープラーニングの数理・確率論
   ～対象物を数値情報へ変換する～
   1. 次元とベクトル
   2. 画像を数値情報へ変換する
   3. 言語を数値情報へ変換する
   4. 音を数値情報へ変換する
   5. 状態を数値情報へ変換する
2. 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. 強化学習の基本
   3. 結果の分類
      1. 回帰
      2. クラス分類
3. ディープラーニングの基礎と実践
   1. 機械学習とディープラーニングの違いは?
      1. ディープニューラルネットワークとは
      2. 把握すべきディープニューラルネットワークの特性
   2. ディープラーニングを分類し、その特徴を把握する
      1. 畳み込みニューラルネットワーク CNN
      2. 再帰型ニューラルネットワーク RNN
      3. 強化学習 (Deep Q-learning)
4. 工場で発生するデータ
   1. どのようなデータを収集可能か?
      1. 想定と実際
      2. 想定とのギャップを埋められるか?
   2. データの前処理の必要性
      1. データ共通の処理
         • 回帰問題に対応するためのデータ処理
         • 正規化
         • ワンホットベクトル
      2. 画像データに対する処理
         • 色情報の扱い
         • データオーギュメンテーション 他
      3. 音データに対する処理
         • 波形データと周波数特性 他
5. 実際に何ができるか?
   1. 活用事例
      1. センサーデータからの異常検知
      2. 画像データでの分類
      3. 音データでの異常検知
   2. 前処理を実施した場合としない場合の差異
      1. センサーデータ
      2. 画像データ
      3. 音データ
6. このセミナーだけで終わらせないために
• 質疑応答