時系列データにおける異常検知への期待が高まる中、機械学習の前処理、特に特徴抽出の難しさが指摘されている。
　本セミナーでは、加速度データから生体信号までと多様な形状を有する時系列データを対象に、現場に基づいた即効性のある前処理の仕方や特徴抽出の方法を紹介する。更に、抽出された特徴量を用いて機械学習や深層学習による異常検知や、その一歩先を行く故障予測 (残寿命予測) のためのワークフローを解説する。また異常検知を難しくする要因に、異常データが少ない (無い) ことが挙げられる。セミナーでは、故障データがなくても実現できる異常検知の手法を取り上げ、より実務に近いレベルの話をする。
　なおセミナーでは、数値計算ソフトウェアMATLABを実際に体験し理解を深める。参加者には、実際のデータセットを用いて、MATLABを活用した具体的な解析手法を学ぶことにより、異常検知と故障予測の実務応用に向けたスキルを習得することを目指す。

1. はじめに
   1. 異常検知・予知保全の必要性
   2. 異常検知・予知保全で直面する課題
   3. データ解析のワークフロー
2. データの前処理その1
   1. 欠損値
   2. 外れ値
   3. 平滑化
3. データの前処理その2
   1. 周波数解析
   2. 時間-周波数解析
   3. 特徴抽出
      1. 時間領域
      2. 周波数領域
      3. 時間-周波数領域
      4. ウェーブレット領域
      5. ドメイン知識の活用
4. 異常検知
   1. 時間とともに徐々に変化するデータ (振動データ)
   2. 突発的な変化を有するデータ (AEセンサー)
   3. 広い周波数成分を有し振幅が変動するデータ (音データ)
   4. 周期的な変化点を有するデータ (心電図)
5. 故障予測:一歩先の異常検知
   1. 確率過程モデル
      1. 健康指標 (劣化度) の作成
      2. モデルの構築と残寿命予測
   2. 機械学習・深層学習モデルによる残寿命予測
      1. 1次元畳み込みニューラルネットワーク
      2. LSTM (Long Short-Term Memory)
      3. アプリ・回帰学習器を用いたモデルの自動作成
6. モデルの精度向上
   1. ハイパーパラメーターの最適化
   2. モデル間の比較
7. 教師なし異常検知
   1. オートエンコーダー
   2. クラスタリングと次元削減
   3. 半教師あり学習によるデータのラベリング
8. 実装と展開
   1. 簡単なアプリの作成
   2. MATLABを用いたモデルの展開方法
   3. 他言語連携
   4. 事例紹介