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。

コース内容COURSE

難易度:
【発展】★★★★

RapidMiner 深層学習 異常検知編

RapidMiner 深層学習 異常検知編イメージ
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

第1章 Autoencoderとは/ニューラルネットワーク/ Autoencoderの仕組み/Autoencoderを用いた異常検知/Autoencoderを用いたノイズ除去/事例紹介/Autoencoderオペレーターの説明
第2章 心拍波形データを用いた異常検知/データの説明・準備/Autoencoderでの学習/オペレーターの設定、誤差の計算/Autoencoderの適用/Apply Model(Generic) 異常スコアの算出 閾値の検討
第3章 画像(MINIST)データのノイズ除去/データの説明・準備/データの前処理/データ読み込み、形状変更/Autoencoderの学習/Autoencoderの適用/データの後処理

 

詳細はこちら

PyTorch 異常検知編

PyTorch 異常検知編イメージ

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

第1章 MIMII データセットについて/ライブラリインポート/学習データとテストデータの確認/音を再生する/音声ファイルの読み込みとプロパティの確認/音声データの波形表示/メルスペクトログラム
第2章 ライブラリインポート/AutoEncoderのネットワークを定義する/AutoEncoderの動作検証
第3章 ライブラリインポートと初期設定/モデルを学習する/パラメータのロードとその他の設定/Datasetの作成/DataLoaderの作成/モデルの定義 / 損失関数と最適化手法の設定/モデルの学習/モデルの検証/閾値の設定/再構成結果の可視化/考察/演習課題

 

詳細はこちら

PyTorch GNN入門編

PyTorch GNN入門編イメージ

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

第1章 ネットワークとは/ネットワークの形状/ネットワークの活用例
第2章 ネットワークの作成/隣接行列とは/隣接行列の作成/エッジリストの作成/ ネットワークの構築と可視化
第3章 ネットワークの特徴量/次数とは/クラスタ係数とは/経路⻑とは/媒介中心性とは
第4章 ネットワークのコミュニティ/コミュニティとは/コミュニティ抽出
第5章 ノードの分類・予測/グラフ畳み込み/ネットワーク作成/分類モデルの学習/ノードのクラス予測/モデルの性能評価(Backpropagation)

 

詳細はこちら

MI編(Materials Informatics)

MI編(Materials Informatics)イメージ

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)

第1章 分子の特徴量を生成する/分子の特徴量の考え方/RDKitを活用する/Rapidminerによる実装の解説
第2章 混合物の特徴量をつくる/混合物の特徴量の考え方/配合データを扱いやすい形へ変換する/特徴量の計算方法の解説
第3章 予測の有効範囲の判断方法 (予定)
第4章 高次元データへの対応 (予定)

 

詳細はこちら

プロセスデータ分析編

プロセスデータ分析編イメージ

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

第1章 プロセスデータ(時系列データ)
の取り扱い方/時系列データのハンドリング/時系列データの可視化/時系列データの特徴量抽出
第2章 連続プラントにおける収率最大化/課題設定/データの前処理/生産量予測モデルの作成/収率最大化
第3章 プロセスデータを用いた予知保全/課題設定/データの前処理/モデルの作成/バッチプロセスへの応用
第4章 ソフトセンサー作成/ソフトセンサーとは/課題設定/回帰モデルの作成
第5章 化学プラントにおける異常検知/異常検知へのアプローチ/PCAによる異常検知/様々な異常検知手法/演習

 

詳細はこちら