tech-seminar.jp

　近年、人工知能関連技術の種々の応用が盛んに行われ、ロボットへの応用も期待を集めている。ロボットを自動的に動かし人手での調整等の介在を減らす (自律化) 技術は、地図生成、運動計画、学習制御、パタン認識など多岐にわたる技術的側面を有する。
　本セミナーでは、動作するロボットへの応用に関連する運動計画・地図生成・パタン認識・機械学習・強化学習等の諸技術の概略を解説し、ロボットの自律化に関連する技術・研究動向を述べる。

　本セミナーでは、まずウェアラブルセンサと機械学習によるココロの予測・推定の有用性と必要性について触れ、これらを導入し、活用するための留意点について解説するとともに、質疑応答を通して理解を深めます。その上で、ストレス負荷時の生体信号の変化や認知的負荷時の動作の変化について解説し、動作と生体信号、ストレス、認知的負荷の関係についての理解を深めます.また実例を交えて、機械学習を解説し、理解を深めます。
　本セミナーを受講することで、ウェアラブルバイタルセンサやモーションセンサを用いたココロの可視化や機械学習を活用したインテリジェント製品の開発に役立ちます。

　実験計画法は、少ない実験回数で多くの構成要素が関係する現象の解析が可能です。その解析方法を使うと、本来、数千通りの実験が必要な場合でも、数十通りの実験回数で、構成要素間の最適な組合せ (因子ごとの最適条件) を見つけることが可能です。
　しかしながら、解析の前提として構成要素の組合せ効果が線形モデル (構成要素の影響が足し算で構成された単純なモデル) に基づくことを前提にしており、構成要素が複雑に絡みあう製造業の開発では、最適条件の推定が外れることが多々ありました。
　本セミナーでは、実験計画法の原理と問題点の解説を行い、その問題点を補うために人工知能の一種であるニューラルネットワークモデル (超回帰モデル) を併用した製造業の開発により適した非線形実験計画法を解説いたします。
　実験計画法の導入を考えている初学者の方、これまで実験計画法や品質工学 (タグチメソッド) を使ったが上手く行かなかったという方々に、具体的な解決策を詳細に説明します。

本セミナーでは、最近注目されているDeep Learning (ディープラーニング) について、基礎的なところから応用事例まで解説いたします。

本セミナーはPC実習を交えて、機械学習の本質を理解し、Pythonライブラリの基本的な使い方を習得していただきます。

本セミナーでは、マテリアルズ・インフォマティクスを活用して最適かつ効率よく材料を開発するための手法、設計技術を詳解いたします。

本セミナーでは、機械学習関連事業・人工知能開発に係る知的財産におけるリスクと未然防止について、AIデータ契約ガイドライン検討会 委員が詳解いたします。

本セミナーでは、ディープラーニングの手法について、その歴史と各種の学習アルゴリズムを概説します。その後、マルチモーダル学習という新しい分野へ応用した我々の最新研究の概要、ロボットの環境認識と行動学習への応用事例、最後に、リカレントニューラルネットへの展開等、将来の研究動向を議論します。

　機械学習・ディープラーニング・人工知能技術の流行により、自社で埋もれている大量のデータやビッグデータを、機械学習を用いて業務に役立てることができるのでは、と考える方が急増しています。
　機械学習・ディープラーニングについてはさまざまな書籍が刊行され、オープンソースのライブラリも充実してきています。これらの書籍を参照し、ライブラリを利用することで、誰でも簡単に機械学習を利用したデータ分析を行うことが可能となりました。
　しかし、機械学習のアルゴリズム自体は書籍を参照しライブラリを利用することができても、実際にデータをどう扱って処理し、活かしていけばよいかわからない、という声も聞かれ、関連の情報も不足しているように見受けられます。データの前処理や分析の正しいやり方・手順を理解していなければ、質の高い分析結果を得ることができないだけでなく、誤った判断を下してしまう危険性もあります。
　また、機械学習の急速な進展からか、誤った方法による分析結果が提出されることも多く、受け取る側の方でも正しい評価指標によりそれを判断することが求められます。
　本セミナーでは、データ分析の正しいやり方・手順を学び、自分自身でデータ分析を行えるようになること、または他者のデータ分析結果を評価できるようになることを目指します。