業務で機械学習、特に深層学習 (ディープラーニング) を利用する際、データが少なくて学習できない問題が発生することがあります。例えば、製品の画像による欠陥検査では、正常例は多数集めることができても、欠陥を含む不良品はごく少数しかない場合がほとんどです。また、そもそもデータ取得に大きな人的・時間的コストが必要な場合もあります。このような場合、結局、機械学習や深層学習の利用をあきらめてしまうことがあり、企業の業務へのAI導入を妨げる大きな要因の一つになっています。
　本セミナーは、そのようにデータが少ない場合でも、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、要点が分り易い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特に予備知識がない方や、技術職ではない方でも大丈夫です。AIを業務に導入する際の注意点も扱いますし、最後にAIに関する様々な質疑応答やディスカッションを行う「AIよろず相談コーナー」もご用意しましたので、AIにご興味があ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
   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