深層学習やトランスフォーマーなど、過去の大量のデータをニューラルネットワークが学習する機械学習が注目されています。これらの手法は学習対象の大量データが存在する場合は利用できます。一方、業務においては、例えば製品の欠陥検査など、正常のデータは大量に用意できても異常のデータが非常に少ない問題や、そもそも学習データが少ない問題、学習データを収集するコストが高い問題などが頻繁に発生します。このような問題に対しては深層学習をそのまま適用することが困難なため、従来手法を用いるしかないが精度が高くならない、ということで悩んでおられる技術者の方々が多いと感じています。
　本セミナーでは、学習すべきデータが少ない場合の機械学習の効果的な適用法として、学習データを増やす方法、学習データが少なくても構築できる機械学習法などについて解説します。人工知能や機械学習の実情からあまり数式を用いずに平易に解説しますので、機械学習や人工知能に不慣れな初学者の方や専門外の方、技術職ではない方なども気軽に受講することができますので奮ってご参加下さい。

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. 生成系AI・説明可能AI (XAI)
   6. 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. AEなどによる特徴の次元削減に基づく異常検知
   3. 異常検知における学習データの水増し
   4. 時系列信号に対する異常検知
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. 少数学習のための深層回路の最適化
   2. CG (Computer Graphics) を用いた機械学習
   3. GANや生成系AIによる水増し
   4. 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