RapidMiner（ラピッドマイナー）は機械学習プラットフォームです。データ可視化、データ加工、モデル作成、評価、運用までを一つのプラットフォームで行うことができます。KSKアナリティクスはRapidMinerの正規販売代理店です。
推薦システムはの概要についてご説明した後、RapidMinerで実装します。
推薦システムとは何かを知りたい方
RapidMinerで実装したい方
43分
AutoModelとTurboPrepの使い方を学習する
| 第1章 | レコメンデーションとは／協調フィルタリング（メモリベース・モデルベース）の仕組みと実装／
内容ベース・フィルタリングの実装 |
|---|---|
| 第2章 | RapidMiner操作動画 ｜ 協調フィルタリングの実装：メモリベース |
| 第3章 | RapidMiner操作動画 ｜ 協調フィルタリングの実装：モデルベース |
| 第4章 | RapidMiner操作動画 ｜ 内容ベース・フィルタリングの実装 |
素早く簡単に前処理を行う「Turbo Prep」と自動モデル構築・評価する「Auto Model」について説明しています。
AutoModelとTurboPrepの使い方を知りたい方
240分
AutoModelとTurboPrepの使い方を学習する
| AutoModel編 | AutoModelとは／RapidMiner操作動画 |
|---|---|
| TurboPrep編 | TurboPrepとは／RapidMiner操作動画 |
機械や設備の状態を監視して故障や不具合の兆候が出たらメンテナンスを行う予知保全の取り組みは製造業における重要な分析テーマです。AI（機械学習・深層学習）を活用することにより、予知保全を効果的・効率的に実施し、少ない人員でメンテナンス活動を実施することが可能になり、勘や経験ではなく、定量的に不具合の兆候を捉えることができます。本課題では、ロボットのセンサーデータを用い機械学習モデルを作成し、故障が出そうなロボットを特定して頂きます。
予知保全を分析テーマとして持っており、実践力を高めたい方 製造業の分析テーマに挑戦したい方
2週間〜1ヶ月程度
要因をイメージし、生データから特徴量設計できる
様々なパターンの予測モデルを作成し、吟味・検討できる。
製造業の開発現場では、スペクトルデータから対象の物性値や品質値との関係（パターン）を機械学習の手法により学習させ、計測作業などの業務効率化が狙えます。本コンテスト課題では、RapidMiner基礎編やIoT編で習得頂いた内容を実際に活用し、スペクトルデータから特徴量を抽出し、予測モデルを作成して頂きます。最後に、評価データを用いて、スコアを確認した上で、プロセス作成例（回答例）もご確認頂けます。実践的な内容をご準備致しましたので、是非、挑戦してみてください。
スペクトルデータに関心がある方 基礎編を受講し、実践力を高めたい方
2週間〜1ヶ月程度
独力で特徴量の設計を行うことができる
どのアルゴリズムが適当か比較しながら最良のものを発見することができる
本講座では、需要予測の基本的なアプローチ方法について全体像を理解頂いた上で、演習形式で時系列モデル、機械学習モデルを作成します。日々変化する可能性が高い需要予測モデルをどのように管理、メンテナンスしていくべきか、自分なりに検討することができるようになるはずです。
需要予測に関心がある方 需要予測に関わっている方
約90分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
需要予測モデルを独力で作成できるようになる。
予測モデルの管理・メンテナンス方法を検討できるようになる。
| 第1章 | 需要予測概説／需要予測の目的／ 需要予測の種類／様々な需要予測のアプローチ（時系列モデル、機械学習モデル、判断モデル）／モデルの精度評価指標／MAPEの算出／事例研究／誰が需要予測をやるのか／需要予測とセンシング |
|---|---|
| 第2章 | 時系列モデルーみかん卸売数量予測ー／課題設定／ARIMA, HoltWinters／Forcast Validation／トレンドの分解／RapidMinerでの実装 |
| 第3章 | 機械学習モデルー電力需要予測ー／課題設定／データの理解／過去データの特徴量設計／対数変換／アルゴリズムの検討 |
本講座では、RapidMinerで実施した分析結果をどのように報告書にまとめ、報告すれば良いかのかをご紹介します。自力で分析結果を報告書にまとめようとすると、本来報告すべき内容が漏れていたりする場合があります。本講座には、報告書のテンプレート（ppt形式）もついていますので、穴埋め形式で報告書を作成することも可能です。分析結果を広く共有し、組織としての分析力を高めるために本講座をご活用下さい。
RapidMinerの分析結果をどのように報告すれば良いか悩んでいる方
分析結果の報告方法のポイントを知りたい方
約45分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
分析結果のまとめ方の形式を理解できる。
まとめ方の要点が分かる。
| 第1章 | 本コースの目的と受講対象者／対象とコースの目的 |
|---|---|
| 第2章 | プロジェクトメンバーの役割／プロジェクトメンバーの構成 |
| 第3章 | プロジェクトの選択／プロジェクトの選択 |
| 第4章 | 報告書の作成方法／タイトル、概要（サマリー）／はじめに／取得データの概要／目的と成功の指標／プロジェクトメンバーの役割／ソフトウェアの実行環境／データの準備／モデル作成、モデルの評価／運用・展開／今後の課題 |
| 第5章 | リポジトリの整理方法／プロセスの整理／Project Extensionの活用／共有時の注意事項 |
| 第6章 | 模範的なプロジェクト報告／例）センサーデータによる油圧機器の状態監視報告書 |
本講座では、教師なし学習の概要と教師なし学習のRapidMinerでの活用例をご紹介します。ご自身のデータにラベル（目的変数）が存在し、教師あり学習を実施できる場合ばかりではありません。ラベル（目的変数）が存在しない場合、どのような手法があるか、RapidMinerではどのような実現方法があるのかについてご説明致します。
教師なし学習の概要と簡単なRapidMinerでの活用例を知りたい方
52分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
教師なし学習にどのような手法があるかを理解できる。
基礎的な教師なし学習オペレーターの利用例が分かる。
| 第1章 | 教師なし学習の概要／機械学習レビュー／教師なし学習代表例 |
|---|---|
| 第2章 | 相関係数／相関係数とは／Correlation Matrixオペレーター |
| 第3章 | クラスタリング／クラスタリング／k-meansクラスタリング／x-meansクラスタリング／クラスタリングオペレーター |
| 第4章 | アソシエーション分析／アソシエーション分析とは／FP-Growth／アソシエーションルール／ルールの評価 |
| 第5章 | 異常検知／異常検知とは／K-NN Anomaly Score／LOF／One-Class-SVM |
アルゴリズムを使用した機械学習の分析前の重要なプロセスであるデータの可視化と前処理に関する講座です。
データのグラフ化についてや前処理の技法について詳しく学んでいきます。
初めて機械学習に触れる人 におススメ
約160分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
データ可視化の基礎を習得する
基礎的なデータ前処理が出来るようになる
| 第1章 | 基本統計量・可視化／可視化の目的（重要性）／ヒストグラム／棒グラフ／散布図／相関行列 |
|---|---|
| 第2章 | テーブル操作／テーブルの結合／行列の入れ替え |
| 第3章 | クレンジング／データ加工・クレンジングの重要性／欠損値の削除・置換／外れ値の削除・置換／列の削除・追加／正規化 |
IoT時系列センサデータの分析方法について、実際に製造業様の分析に長く取り組んできた弊社のノウハウを盛り込んだ学習コースです。
時系列データの前処理に関する内容も盛り込まれており、より実務に活用できる講座です。
IoTデータを活用したい人 におススメ
約660分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
IoTデータの前処理方法を習得する
IoTデータから予測分析出来るようになる
| 第1章 | データ分析と機械学習／データ分析プロジェクトの進め方／教師あり学習／教師なし学習／強化学習 |
|---|---|
| 第2章 | 機械学習ことはじめ／機械学習を正しく使うために |
| 演習・事前準備 | 演習の為のRapidMiner事前準備 |
| 第3章 | RapidMiner の使い方／RapidMinerの基本 |
| 第4章 | 時系列データ分析の基礎／時系列データの特徴量抽出／Time seriesオペレーター |
| 第5章 | 分類問題／決定木分析とは |
| 第6章 | モデルの精度と評価／分割検証／交差検証モデルの精度 |
| 実践ケース１ | モータの診断／データの分割／特徴量の作成 |
| 実践ケース２ | 波形データから特定区間の切り出し／区間IDの作成／区間ごとに特徴量をもとめる |
| 第7章 | 回帰分析／単回帰分析／重回帰分析／多重共線性 |
| 実践ケース３ | ロボットの予防保全／欠損値の線形補完／説明変数同士の関係性 |
| 第8章 | K近傍法(k-NN)による分類／変数選択／標準化 |
| 第9章 | その他の分類モデル／ロジスティック回帰／サポートベクターマシン |
| 第10章 | クラスタリング／階層型クラスタリング／非階層型クラスタリング |
| 第11章 | ニューラルネットワークとディープラーニング／ニューラルネットワークの仕組み／ディープラーニング／畳み込み／プーリング |