AIが勝手にデータ解析をしてくれる時代が到来した。データとプロンプトを与えれば解析結果を出力してくれる。AIを使わないまでも、自動的に機械学習によるモデル構築を行ってくれるツールもある。ボタンを押すだけで、数多くの方法を試してオススメのモデルを提示してくれる。実に便利だ。しかし、それで大丈夫なのだろうか。間違った使い方をして間違った結論に飛びついていないだろか。実は、これは深刻な問題である。
　生産性向上や品質改善を実現するためには、設備や製品に関する知識とデータを活用しなければならず、そのための方法を身に付ける必要がある。ドメイン知識が重要な役割を果たす。製造現場で成果をあげるために、最先端の機械学習手法が必要とは限らない。むしろ、実績豊富な方法を自分の道具箱に入れておき、それらを適材適所で使うことが大切である。目標を達成できるのであれば、手法やモデルはできるだけ単純な方がよい。
　そのような観点から、本講座の基礎編では、最低限知っておくべきデータ解析手法を解説し、それらを使用する際に注意すべきこと (弱点) を指摘する。また、地味だが重要なデータ前処理にも触れる。その上で、応用編では、産業応用事例を紹介しながら、転移学習やグレイボックスモデル (ハイブリッドモデル) を含めて、実際に現場で役立つデータ活用術を紹介する。さらに、これまでの数多くの失敗経験から抽出した、データ解析で成果を挙げるための心得3箇条を示す。

1. はじめに
   • 製造業におけるデータ活用について
2. 基礎編1 : 最低限知っておきたい線形モデル構築方法
   1. 重回帰分析
   2. 線形判別分析
   3. 主成分分析
   4. 多重共線性の問題
   5. Ridge回帰とLasso回帰
   6. Partial Least Squares (PLS) 回帰
3. 基礎編2 : 道具箱に入れておきたい非線形モデル構築方法
   1. ガウス過程回帰 (GPR)
      • バラツキを予測する (ベイズ最適化へ)
   2. Random Forest
      • 多数決で精度を高める
4. 基礎編3 : 最低限実行するべきデータ前処理
   1. データを見る
   2. 外れ値を検出する
   3. 変数を変換する
5. 応用編1 : 仮想計測・ソフトセンサー
   1. 仮想計測・ソフトセンサーの役割
   2. 実用上の課題
   3. Just-In-Timeモデル
      • 装置や原料の特性変化に対応する
   4. 製品品質の推定制御
      • 局所PLSとモデル予測制御を活用する
   5. 転移学習・ドメイン適応
      • データ不足問題を克服し、モデル構築期間を短縮する
6. 応用編2 : 異常検出
   1. 統計的プロセス管理 (SPC)
   2. 多変量統計的プロセス管理 (MSPC)
   3. 非線形性に対応した異常検出方法
      • 近傍法
      • one-class SVM
      • Autoencoder
7. 応用編3 : グレイボックス (ハイブリッド) モデル
   1. 物理モデル+統計モデル=グレイボックスモデル
   2. グレイボックスモデルによる予測
8. おわりに
   1. まとめ
   2. データ解析の心得3箇条
• 質疑応答