高精度な機械学習法である深層学習 (ディープラーニング) は多層の階層型神経回路網 (深層回路) であり、回路網の結合荷重などを決定する「学習」には数千 – 数万あるいはそれ以上の数のデータが必要です。一方、企業の業務に機械学習を導入しようとする場合、それほど多くのデータが存在しないケースが多々あります。このような場合、深層学習および機械学習の導入をあきらめてしまうことが多く、それはどう考えても「もったいない」です。
　そこで本セミナーでは、そのような場合でも機械学習を導入できる方法として、1少ない学習データを増やす方法、2少ないデータでも学習できる機械学習法、をご紹介します。
　本セミナーでは,AIの初学者の方や専門外の人にも分り易く、ポイントを端的にお伝えする平易な解説を行ないます。また、業務へのAI導入で陥りがちなミスや、うまく導入するコツについてもお伝えします。最後に、参加者からのAIに関するよろず相談会も行ないますので、これから業務にAIを導入しようと考えている方はぜひお気軽にご参加下さい。

1. 機械学習の現状と課題
   1. 人工知能と機械学習
      • 人工知能の定義
      • 人工知能の歴史
      • 人工知能の現状
      • 人工知能の課題
   2. 機械学習の種類と方法
      • IBL
      • EBL
      • 教師あり学習
      • 教師なし学習 など
   3. 深層学習 (ディープラーニング) 超入門
      - 神経回路網と深層学習とは何か? –
   4. 少量データを用いた機械学習とは?
      - 本セミナーの課題と意義について –
2. 学習データを増やす方法
   1. 画像に対する基本的な水増し方法
      - 幾何学的変形・階調変換などの利用 –
   2. 敵対的生成ネットワーク (GAN)
      - GANの原理と各種の応用手法 –
   3. 特徴/潜在空間の利用
      - 各種の次元圧縮・削減法 –
   4. AutoEncoder,CAV,VACなどの利用
      - 逆変換によるデータ生成 –
   5. CG (Computer Graphics) を用いる方法
      - 画像・立体認識への応用 –
   6. シミュレータによるデータ水増し
      - 物理シミュレータの利用 –
3. 少量でも学習できる機械学習法
   1. ベイズ最適化などによる関数推定
      - 少ないサンプルから分布を推定する –
   2. 進化計算法による関数推定
      • 遺伝的プログラミング (GP)
      • CGPなど
   3. 1クラス学習による異常検知
      • 1クラスSVM
      • AEなどの利用
   4. 進化的機械学習による処理の自動構築
      - 処理要素の進化的組合せ最適化 –
   5. 転移学習・蒸留・浸透学習
      - 既存知識を有効に利用する –
   6. 深層回路の構造最適化
      - Pruning・Neural Architecture Search –
4. AIの業務への導入方法
   1. AI導入時の注意点
      - 導入時・外注時の注意点など –
   2. AI人材の育成方法について
      - 最も望まれる人材育成方法とは? –
5. まとめと質疑応答
   - Q&Aと質疑・AIよろず相談会 –
• 付録:
  • 付録1 代表的な機械学習法
  • 付録2 説明可能AI (XAI:explainable AI)
  • 付録3 進化計算法概論
  • 付録4 横浜国大・長尾研のご紹介