一般的なデータサイエンス養成コースでは、幅広い内容を学ぶことができる一方、各業界固有の問題に特化して学ぶことはできません。
機械学習のアルゴリズムひとつをとっても、機材の消耗に合わせて臨機応変に対応できるメンテナンスフリーなアルゴリズムなど、製造業ならではの問題が存在しています。
本コースは多変量解析、画像処理、時系列解析、最適化といった製造業の現場で本当に必要とされる領域に絞って集中的に学べるコースです。
在庫の最適化や人員計画のスケジューリングなど、現場にある問題をいかにして、コンピューターに解かせるための定式化を行えるかを考えられるようになります。 詳細な数学も大切ですが、本コースでは「現場で使える」を優先したカリキュラムを用意しています。
「AI」と一言で表しても、多変量解析や画像処理、時系列解析などさまざまな領域を含んでいます。本コースでは、製造業で必要となる領域をピックアップしているため、本当に必要な知識を効率よく幅広く習得できます。
製造業内で取得できるデータを取得・分析することは、企業にとって大きな価値を創出できます。 本コースでは、製造業に特化したカリキュラム構成であるため、実務活用に向けた実践的なノウハウを習得できます。
カリキュラム制作および講師運営担当。
舞鶴高専にて画像処理およびロボットの研究、京都大学大学院にて製造業向けの機械学習を用いた製造工程最適化の研究に従事。
ITベンチャーを経て、2017年1月に株式会社キカガクを設立。
ビジネスの現場で使えるAIを目指し、企業向けの教育やコンサルティングを行う。
現在は東京大学でも非常勤講師として教鞭を執る。
プロジェクト制作担当。
大手自動車メーカーやそのグループ会社において業務改善やシステムコンサルタントとしての実績多数。
現在はその知見を活かして、IoTプロジェクトの指揮をとる。
トヨタ生産方式を中心とした製造業の知見を持つIoT、AIシステム会社代表として、次世代のモノづくりを支援する。
企画アドバイザーおよびメンター担当。
重要な経営資源である”データ”をグループ横断で活用するための戦略を構築し実行する役割を担う。また、筑波大学大学院の客員准教授として企業の即戦力となる人材育成にも従事する。2017年からはデータサイエンティスト協会の理事として、事業会社へのデータサイエンス普及にも尽力する。
・人工知能 機械学習 ディープラーニングとは
・機械学習に必要な数学
・機械学習の 3 大トピック
・内挿と外挿
・微分は「何」に使えるのか?
・導関数を求めよう
・微分の公式
・偏微分
・「モデル」を決める
・「評価関数」を決める
・評価関数を「最小化」する
・プログラミングの環境構築
・変数
・基本構文
・複数の変数を扱う
・制御構文
・関数
・Numpyの数値計算
・Pandasによるデータベース操作
・Matplotlibでグラフの描画
・実データに対する単回帰分析の実装
・スカラー・ベクトル・行列
・行列の演算
・サイズ感
・転置・単位行列・逆行列
・ベクトルで微分
・「モデル」を求める
・「評価関数」を決める
・評価関数を「最小化」する
・行列演算の基礎
・パラメーターの導出
・実データで演習
・主な統計量
・正規分布と3σ法
・スケーリング
・外れ値除去
・モデル構築
・スケーリングとパラメーターの確認
・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
・Google Colaboratory
・Python の基礎
・Pandas の基礎
・Matplotlib の基礎
・scikit-learn の基礎
・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
・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
・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
・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
・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
・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
・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
・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
・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
・犬と猫の分類問題
・犬猫分類モデルの構築
・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
・Data Augumentation
・最適化手法
・SGD
・Momentum
・RMSprop
・Adagrad
・Adam
・正則化
・アンサンブル学習
・物体検出とは
・物体検出と画像分類の違い
・IoU
・Non-Max Suppression
・Faster R-CNN
・YOLO
・SSD
・CenterNet
・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
・データセット詳細
・画像分類
・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)
・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
・3 σ 法
・ホテリング理論
・One Class SVM
・k- 近傍法
・【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
製造業に強い会社を掲げるテービーテックは、愛知県豊田市に本社を置き、トヨタ生産方式などモノづくりノウハウを熟知。大手自動車メーカーなどの基幹システム構築からIoTやAI、業務改善支援まで幅広く製造業支援に携わっています。
キカガクは、感動する学びを世界に届けることをミッションとし、カリキュラムだけではなく、受講生との向き合い方や場の作り方、モチベーションの保ち方までを考えてセミナーに取り組んでいます。
受講内容 | 事前学習 + 講義 + プロジェクト |
料金 | 720,000 円 / 名(税別) |