いま、人工知能、特に機械学習が注目され、様々な分野や企業の業務への導入が検討されています。最近注目されている機械学習法である深層学習 (ディープラーニング) は、非常に高精度な分類や推定を行なえる反面、学習に膨大な数のデータと時間を必要とします。しかしながら、実際の業務や現場では、大量の学習用データがなかったり、集めるのが非常に大変なために、少ない学習データしかないことがよくあります。このため、深層学習を適用できず、AI導入を躊躇している企業も多いです。
　本セミナーは、少ない学習データを基にして有効な学習を行う機械学習の方法を紹介することを目的としています。数式はできるだけ使わず、考え方や原理、要点が分り易く伝わるような平易な説明を心掛けますので、人工知能や機械学習に対して予備知識がない方や、技術職ではない方もぜひご参加下さい。後半では、AIを業務に導入する際の注意点や成功させるためのコツなどについても扱いますので、企業経営者の方もぜひ受講して頂けると幸いです。

1. 機械学習の現状と課題
   1. 人工知能と機械学習
   2. 機械学習の種類と方法
   3. 教師あり/なし/半教師あり学習
   4. 深層学習 (ディープラーニング) 概論
   5. 少量データを用いた機械学習とは?
2. 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
   2. 遺伝的プログラミング (GP) による関数推定
   3. CGP (Cartesian GP) による関数推定
3. 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)
   2. CAE (Convolutional Auto Encoder) による異常検知
   3. 異常検知における学習データの水増し
4. 少量データを用いた機械学習3:少量データによる深層学習
   1. CG (Computer Graphics) を用いた機械学習
   2. GAN (Generative Adversarial Network) による水増し
   3. 転移学習と蒸留・浸透学習 (Percolative Learning)
5. 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
   2. 処理プロセスの自動生成
   3. 分かり易い分類器の自動生成
   4. CS (Classifier System) によるルールの学習
6. AIの業務への導入方法
   1. AI導入時の注意点
   2. AI人材の育成方法について
7. まとめ