昨今、深層学習 (ディープラーニング) が注目されており、企業の業務への導入が検討されていますが、学習・最適化のために膨大な数の教師用データが必要なことが問題になっています。特に異常検知などでは異常データが集まらないといった問題があります。
　そこで本セミナーでは「少ない教師データから有効な機械学習を行う方法」について解説します。人工知能と機械学習の概要、深層学習の特徴と課題について概観した後、少量データから有効な機械学習を行う方法として、関数推定、異常検知、深層学習の応用、進化的機械学習にフォーカスして具体例を示します。さらに、AIを業務で利用する際の注意点と成功のコツをご紹介します。数式は極力使わず直感に訴える平易な解説を心がけますので、技術者の方だけでなく人事・営業・経営などに携わる方々も歓迎致します。

1. 機械学習の現状と課題
   1. 人工知能におけるパラダイムシフト
      • AIにおける考え方の推移～
   2. 機械学習の種類と方法
      • 様々な機械学習の考え方と将来展望
   3. 教師あり/なし/半教師つき学習
      • SVM・k – means・Random Forestなどの基礎手法
   4. 少量データを用いた機械学習とは?
      • 効率的な学習を行うために必要なこと
2. 深層学習 (ディープラーニング) と現状と課題
   1. 階層型人工神経回路網の原理と問題点
      • 確率的勾配降下法は“学習“ではない?
   2. 深層学習の基礎と最近の手法
      • 様々な深層化技法と最近流行りの手法
   3. 深層学習の問題点とその対策
      • 深層学習を使う際に生じる多くの課題
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
      • 基本的な考え方と応用例の紹介
   2. 遺伝的プログラミング (GP) による関数推定
      • GP (Genetic Programming) の原理と課題
   3. CGP (Cartesian GP) による関数推定
      • 多出力の関数推定とその応用
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)
      • 原理と応用例の紹介
   2. CAE (Convolutional Auto Encoder) による異常検知
      • 原理と応用例の紹介
   3. 半教師つき学習によるクラス分類
      • ベンチマーク問題への適用例
5. 少量データを用いた機械学習3:深層学習の応用
   1. CG (Computer Graphics) を用いた機械学習
      • CGによる教師データの生成と学習
   2. GAN (Generative Adversarial Network) による水増し
      • GANを利用したdata augmentation
   3. 転移学習と蒸留・浸透学習 (Percolative Learning)
      • 既存知識・学習時のみ利用できる情報の有効活用
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
      • 進化計算が強い探索法である理由
   2. 処理プロセスの自動生成
      • 単位処理ユニットの合成による処理フロー生成
   3. 分かり易い分類器の自動生成
      • 特徴量の最適化+浅いNNまたはSVMの提案
   4. CS (Classifer System) によるルールの学習
      • ルールの縮約と進化的最適化
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」
      • 「AI=深層学習=データ収集」という誤解
   2. AIコンサルの必要性
      • 深層学習だけが機械学習ではない
• 質疑応答