昨今のAIブームの火付け役とも言えるディープラーニングは強力な学習手法ですが、万能ではありません。問題の特性をよく理解して適切な機械学習手法を選択し、適切に用いることが重要です。
　本セミナーでは、機械学習における「教師なし学習」について、また、特に要望の多い「異常検知」の理論や手法の説明とともにPythonを用いた簡単な実習を交えて機械学習の理解を深めます。これから本格的な勉強を始める前に概要と雰囲気を掴むには最適かと思います。

1. 機械学習の概要
   1. ビッグデータ時代
   2. 機械学習とは?
   3. 最近の例
   4. 機械学習の分類
   5. 教師あり学習
      1. 識別
      2. 回帰
   6. 教師なし学習
      1. モデル推定
      2. パターンマイニング
   7. 半教師あり学習
   8. 深層学習 (ディープラーニング)
   9. 強化学習
   10. 機械学習の基本的な手順
       1. 前処理
       2. 次元の呪い
       3. 主成分分析による次元圧縮
       4. バイアスとバリアンス
       5. 評価基準の設定:クロスバリエーション
       6. 簡単な識別器:k-近傍法
       7. 評価指標:F値,ROC曲線
       8. k-近傍法を用いた実習:機械学習の基本的な手順の確認
2. 教師なし学習 (1) :クラスタリング
   1. クラスタリングとは?
   2. 階層型クラスタリング
   3. k-meansクラスタリング
   4. ガウス混合モデルによるクラスタリング
   5. クラスタリング妥当性指標
   6. k-means法を用いた実習
3. 教師なし学習 (2) :可視化と自己組織化マップ
   1. 可視化の形式化
   2. 古典的な可視化法」
      1. 主成分分析による可視
      2. 多次元尺度構成法による可視化
      3. Sammon’s mapping
   3. グラフによる埋め込み法
   4. 自己組織化マップの概要
   5. 自己組織化マップのアルゴリズム
   6. 自己組織化マップを用いた実習
4. 異常検知
   1. 異常検知の基本的な考え方
   2. 性能評価の方法
   3. ホテリング理論による異常検知
   4. 主要な異常検知法
      1. One-class Support Vector Machine
      2. Local Outlier Factor
      3. Isolation Forest
   5. 各種異常検知法の比較 (実習含む)
5. 異常検知の応用例紹介
   • 回転機器の振動データに対する異常検知