最近、Deep Learningが注目を集めていますが、Deep Learningを利用するにはなかなか現実の現場では収集できないような大変な量の学習データが必要です。
　本セミナーでは現場で起きている課題を有する実務者や研究開発者を対象に、異常事例や故障事例などのような少ないデータの識別にも有効な機械学習Support Vector Machineの基礎を、微分の知識があれば理解できるよ うにできるだけ簡単に紹介し、実務へのサポートベクターマシン利用の判断ができるようになることを目指しています。

1. パターン認識の概要
   1. パターン認識とは
   2. パターン認識で何ができるのか?
   3. 多変量解析に基づくパターン認識の手法
      1. マハラノビス距離
      2. 線形判別分析
   4. 機械学習に基づくパターン認識の手法
      1. k – 近傍法
      2. ニューラルネットワーク
      3. RBFネットワーク
      4. サポートベクターマシン (SVM)
2. サポートベクターマシンの基礎
   1. 線形SVM
      1. 線形SVMとは
      2. 簡単な定式化
      3. ハードマージン
      4. データのラベル付けに誤りがある場合のサポートベクターマシン
      5. ソフトマージン
   2. 非線形SVM
      1. 非線形SVMとは
      2. 簡単な定式化
      3. カーネル関数
      4. カーネルトリック
   3. クラス (正常データしかない場合の) サポートベクターマシンの基礎
   4. Support Vector Data Description
      • ※異常発見のような正常データしかない状況から異常を発見する (外れ値検出する) ためのSupport Vector Machineについて話す予定です
3. サポートベクターマシンの応用例
   1. さび画像へのパターン認識適用による劣化度判定と設備診断事例紹介
   2. 電流値、電圧値、ガス分析データなどの計測データとサポートベクターマシンを用いた事例紹介
   3. 設備異常予兆発見支援への適用事例の紹介
• 質疑応答