コース内容COURSE

製造業の現場では、異常データがほとんど観測されず、正常データのみを使って異常判定を行うことを求められることが少なくありません。本講座では、Autoencoderと呼ばれる深層学習の手法を使い正常データを学習、再構築し、そこから異常スコアを算出することで異常検知を行います。

対象者

異常検知に関心がある方
異常検知に携わっている方

所要時間

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。

習得内容

Autoencoderの概念の使い所を理解する。
Autoencoderオペレーターを使って異常検知モデルを作成できる。

コース内容

全3回　約90分

教師なし学習の一つとして、AutoEncoderという古典的な手法があります。既に異常検知の分野では、確立された手法として実務現場での活用も進んでいます。コンテストや論文でもAutoEncoderで行った手法との比較がなされ、ベースラインとして紹介されることの多い手法となります。
本講座では、Pytorchライブラリを用いて音の異常検知を行います。ソースコードの詳細についても説明しています。
※本講座の位置付けとしましては、AutoEncoderより高精度な手法をご紹介するにあたっての基本講座となります。

対象者

異常検知についてさらに理解を進めたい方

所要時間

約120分

習得内容

AutoEncoderの基礎が理解できる

コース内容

全3章　約120分

社会科学、自然科学、知識グラフなど多くの分野でグラフ形態の機械学習がますます注目を浴びてきています。画像や自然言語をグラフ（ネットワーク構造）として捉え、グラフやグラフ中の頂点を高精度に分類することができれば、高度な画像認識、化合物分類などへの応用が期待できます。本講座では、グラフニューラルネットワークの基本から丁寧に説明しています。

対象者

グラフニューラルネットワークに関心のある方
グラフニューラルネットワークの基礎を習得したい方

所要時間

約24分

習得内容

グラフニューラルネットワークの基礎が理解できる

コース内容

全5章　約24分

近年、素材開発の分野で注目を集めているMIを活用するため、MIの課題及び機械学習上の課題双方の対処策を習得し、RapidMinerでの実装を学習する講座です。

対象者

素材の研究開発業務の方 におススメ

所要時間

約240分（予定）
※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。

習得内容

MI特有の問題の対処法を習得する
MIに活用できるようになる

コース内容

全4回　240分（予定）

プロセスデータ（時系列データ）を用いたデータ分析に関する手法を学習いただき、 プラントで実活用できるようなモデルケースを元に学習できるコースです。

対象者

プラントの業務に携わる方 におススメ

所要時間

約300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。

習得内容

プロセスデータの前処理を習得する
予知保全や収率最大化に活用できるようになる

コース内容

全5回　300分