Data Science Intensive Training
in Manufacturing

イントロダクション

・AI・機械学習・ディープラーニングとは

・学習と推論

・機械学習の導入事例

・機械学習プロジェクトに必要な人材

・AI プロジェクトのフロー

・AI システムの開発フロー

データ解析の基礎

・Google Colaboratory

・Python の基礎

・Pandas の基礎

・Matplotlib の基礎

・scikit-learn の基礎

代表的な回帰の手法と前処理 1

・scikit-learn 入門

　　・データセットの準備

　　・重回帰分析で学習、評価

　　・データの前処理

　　・パイプライン化

・過学習を抑制する回帰手法

　　・Ridge 回帰

　　・Lasso 回帰

・相関関係と多重共線性

・代表的な前処理方法

　　・欠損値補完 / 除去

　　・カテゴリカル変数の取り扱い

　　　　・Label Encoding

　　　　・One-Hot Encoding

代表的な回帰の手法と前処理 2

・代表的な回帰の手法

　　・サポートベクターマシン

　　・決定木

　　・ランダムフォレスト

　　・ニューラルネットワーク

ハイパーパラメーターのチューニングと分類の代表的手法

・ハイパーパラメーターのチューニング

　　・手動でチューニング

　　・グリッドサーチ（Grid Search）

　　・ランダムサーチ（Random Search）

　　・ベイズ最適化（Bayesian Optimization）

・代表的な分類の手法

　　・サポートベクターマシン

　　・ロジスティック回帰

　　・ニューラルネットワーク

　　・ランダムフォレスト

　　・XGBoost

　　・LightGBM

　　・k- 近傍法

・教師なし学習

　　・主成分分析

　　・k-means

モデルの評価方法

・分類モデルの評価指標

　　・Accuracy (正解率）

　　・Precision（適合率）

　　・Recall(検出率）

　　・F 値

　　・ROC 曲線と AUC

・不均衡データへのアプローチ

　　・閾値を調整する

　　・重みを調整する

　　・SMOTE を用いて OverSampling

テーブルデータ演習 Day_1

・機械学習基礎総復習

　　・自動車のテストシステムの速度を最適化する

テーブルデータ演習 Day_2

・機械学習基礎総復習

　　・自動車のテストシステムの速度を最適化する

NN の基礎

・ニューラルネットワークとは

・ニューラルネットワークの計算

　　・線形変換

　　・非線形変換（活性化関数）

　　　　・シグモイド関数

　　　　・ReLU 関数

NN の流れ

　　・損失関数

　　　　・平均二乗誤差（Mean Aquared Error）

　　　　・交差エントロピー（Cross Entropy）

　　・勾配降下法

　　・ミニバッチ学習

　　・誤差逆伝播法

NN 実装（回帰・分類）

・TensorFlow とは

・分類問題

　　・ワインのクラス分類

・学習済みモデルの保存

・学習済みモデルで推論

・回帰問題

　　・家賃の予測

・演習課題

畳み込みニューラルネットワーク（CNN）

・画像処理ライブラリ

　　・OpenCV

　　・Pillow

・画像処理の基礎

　　・エッジ検出

　　・平滑化

・画像のクラス分類

　　・手書き数字（MNIST）を分類

　　・Sequential API

　　・Functional API

画像処理演習

・犬と猫の分類問題

　　・犬猫分類モデルの構築

前処理とファインチューニング

・ImageDataGenerator を使用した前処理

・転移学習とは

・ファインチューニングとは

・学習済みモデルを用いたモデル構築

　　・VGG16

　　・Google Net

　　・ResNet

　　・MobileNet

CNN の精度を向上させるテクニック

・Data Augumentation

・最適化手法

　　・SGD

　　・Momentum

　　・RMSprop

　　・Adagrad

　　・Adam

・正則化

・アンサンブル学習

物体検出（Object Detection）

・物体検出とは

　　・物体検出と画像分類の違い

　　・IoU

　　・Non-Max Suppression

Object Detection API

物体検出の流れと再学習

　　・Faster R-CNN

　　・YOLO

　　・SSD

　　・CenterNet

アノテーション

物体検出 YOLOv3 実装

セマンティックセグメンテーション

・セマンティックセグメンテーションとは

・データセットの作成方法

・基本モデルの構造の紹介

・モデルの評価方法

・代表的なモデル

　　・FCN（Fully Convolutional Networks）

　　・U-Net

画像認識演習

・データセット詳細

・画像分類

・異常検知

【実装例】画像認識演習

生成モデルによる異常検知

・異常検知で用いられるモデル

・AutoEncoder

・VAE(Variational Autoencoder)

・ALOCC（Adversarially Learned One-Class Classifier）

異常検知演習

時系列解析の基礎

時系列予測 - 回帰

LSTM を用いた時系列解析

異常検知（Anomaly Detection）入門

・製造業の時系列データ

　　・センサーデータ

・異常の種類

　　・外れ値除去

　　・変化点検値

　　・異常部位検知

異常検知（Anomaly Detection）の基礎

　　・3 σ 法

　　・ホテリング理論

異常検知 - ローカルレベルモデル

　　・One Class SVM

　　・k- 近傍法

異常検知 - LSTM

PBL（Project Based Learning） ショートターム

・【ショート・ターム PBL 実装例】 EDA

・【ショート・ターム PBL 実装例】 時系列データ解析

PBL (Project Based Learning)自走期間

PBL (Project Based Learning)自走期間

PBL (Project Based Learning)自走期間