製造業では、多くのデータを取扱いますが、データから価値ある情報を取り出し、解釈するためには各種統計的な解析を使用する必要があります。統計解析、あるいは多変量解析は、データの要約、傾向の確認、原因分析、今後の予測などの解析が行えますが、目的に合わせて適切な手法を選択する必要があります。
　最近、トピックスになっている人工知能に関しても、効率的な学習を行うためには、データの与え方の工夫や、学習に適した形にデータを加工する必要があります。その際にも、前述した統計解析・多変量解析によるデータ分析が必要になります。
　一方で、統計・多変量解析を習得しようとすると、従来は、実務では実際には使用しない内容を無味乾燥な数式で学ぶ必要があります。また、データ分析には統計・多変量解析ソフトウェアが必要になります。しかしながら、統計・多変量解析ソフトウェアは、下記のように2極化しており、簡単に導入・活用するにはためらいがともなう状況です。

• 無料で使用できる反面、プログラムのような記述が必要な「R」
• Excelライクで直感的に使用でき、かつ極めて高機能な反面、高額なため「1人1ソフトウェア体制」や「思い立ったら誰でもデータ解析をする体制」には向かない「JMP」「SPSS」「StatWorks」

　本講座では、アカデミックな内容は最小化し、製造業の実務で使う各種データ分析の実践的な方法を中心に講義いたします。また、無味乾燥な数式の解説ではなく、具体的な事例を通して、データ分析の基礎と手順を解説いたします。
　そして、無料で導入でき、Excelライクで直感的に使用できる統計解析パッケージソフトウェアを使い、実際にデータ分析の演習を行います。

1. 実務で使えるデータ分析手法の基礎
   1. 統計解析・多変量解析とは
   2. 基本的なデータ要約方法 – 基本的な統計量
   3. グラフ化による目視確認の重要性
   4. 実務でよく使用する各種グラフ
   5. ソフトウェア紹介
2. 複数の要因によって、ある目的とする項目がどのように変化するか、予測や説明を行う
   1. 重回帰分析 (回帰式の構築) とは
   2. 重回帰分析の手順、チェックノウハウ
   3. 参考:判別分析
   4. データ分析演習
3. 数多くのデータをグルーピングし、適切に分類する
   1. クラスター分析 (類似した特徴を持つグループ化とグループの階層化分析) とは
   2. クラスター分析の手順、チェックノウハウ
   3. データ分析演習
4. 複数の要因があるデータに対して、それら複数項目を代表する総合的な指標を求める
   1. 主成分分析 (データの縮約、データの合成分析) とは
   2. 主成分分析の手順、チェックノウハウ
   3. データ分析演習
5. 複数のデータ項目間の複雑な関係を説明する、潜在的な構造を求める
   1. 因子分析 (潜在変数の見える化、データの分解分析) とは
   2. 因子分析のエンジニアリング実務上の問題点と対策 (代用手法)
   3. 参考:因子分析の手順、チェックノウハウ
   4. 参考:データ分析デモ (時間があれば)
6. その他の分析方法
   1. 要因の組合せ最適化を行う方法 →実験計画法 概要
   2. より高度な組合せ最適化方法 →品質工学 (タグチメソッド) 概要
   3. 重回帰式の上位版 →ニューラルネットワークモデル (深層学習) 概要
7. 質疑応答