このサイトではJavaScriptを使用しています。ブラウザの設定でJavaScriptを有効にしてからお使いください。 【大阪開催・PC演習】ディープラーニング・機械学習の導入の基礎知識と製造ラインへの導入方法  [講習会詳細] | テックデザイン
FAXでのお申し込みはこちらから

機械学習/ディープラーニングの産業利用について、入門的知識から実践的スキルまでを二日間で学びます!

【大阪開催・PC演習】ディープラーニング・機械学習の

  導入の基礎知識と製造ラインへの導入方法  

【日 程】

2019年3月4日 (月) 13:00~17:00  基礎講座

2019年3月5日 (火) 10:30~16:30  実習講座

【会 場】

エル・おおさか 会議室(大阪市 天満橋駅)

【受講料】

49,980円(税込/テキスト付) 

  ※スポット受講も可能です【基礎講座:21,600円/実習講座:32,400円】
【持ち物】

ノートPCをご持参ください  

 

≪必要スペック≫ 

・64ビット 

・メモリ4G以上 

・ディスク空き容量5G以上

講師: 応用技術株式会社 ソリューション本部 主査 太田 桂吾

経歴: 1990年応用技術株式会社に入社。以降、主に製造業向けのwebシステム構築に携わり、近年はデータマイニング技術、産業界を対象としたデータ分析・ディープラーニングの応用方法の研究に従事している。

<3月4日 基礎講座>  13:00~17:00

 

Ⅰ. 機械学習/ディープラーニングに必要なデータ処理の基本
 1. データの定義
 2. 扱うデータの特性を把握する
  ① 時間軸/場所の考慮
  ② データを発生させるもの
 3. データの前処理
  ① データの抜け、異常値への対応
  ② データの量を調整する(増やす/減らす)
  ③ データの次元を削減する
 4. ディープラーニングの精度を上げるために必要なデータ
  ① 必要となるデータの量
  ② データクレジング
  ③ フレームワークでの処理
 5. サンプルデータの説明
  ① デモで使用するサンプルデータの説明

Ⅱ. 機械学習/ディープラーニングの前に  ~対象物を数値情報へ変換する~
 1. 統計をとる
 2. 画像を数値情報へ変換する
 3. 言語を数値情報へ変換する
 4. 音を数値情報へ変換する
 5. 状態を数値情報へ変換する

Ⅲ. 機械学習の基礎と実践
 1. 機械学習の基本
  ① データがモデルをつくる
 2. 学習の種類
  ① 教師あり学習の基本
  ② 教師なし学習の基本
  ③ 強化学習の基本
 3. 結果の分類
  ① 回帰
  ② クラス分類
 4. Windowsで機械学習環境をオープンソースにて構築
  ① 使用可能なオープンソース一覧
  ② Pythonの設定(Windows10端末の例)
 5. サンプルデータを機械学習で処理
  ① Pythonを実行し結果を得る
 6. 機械学習のプログラム解説

 

<3月5日 実習講座>  10:30~16:30

Ⅳ. ディープラーニングの基礎と実践
 1. 機械学習とディープラーニングの違いは?
  ① ディープニューラルネットワークとは
  ② 把握すべきディープニューラルネットワークの特性
 2. ディープラーニングを分類し、その特徴を把握する
  ① 畳み込みニューラルネットワークCNN(Convolutional Neural Network)
  ② 再帰型ニューラルネットワーク RNN (Recurrent Neural Network)
  ③ 強化学習 (Deep Q-learning)

Ⅴ. 製造ラインから収集可能なデータ
 1. 画像
  ① 画像収集方法
  ② 画像に対する処理一般
 2. 音
  ① 音の収集方法
  ② 音に対する処理一般
 3. センサーデータ
  ① センサーデータに対する処理一般

Ⅵ. 「製造ライン」での異常検知
 1. 正常時・異常時データを用いる(画像・音)
  ① 教師あり学習(復習と詳細)
  ② 実習
 2. 正常時データのみ用いる(画像・音)
  ① オートエンコーダー
  ② 実習
 3. 正常時・異常時データ+時系列データを用いる(センサー・音)
  ① RNN
  ② 実習
  ③ RNN+オートエンコーダー
  ④ 実習

 1日目の講義は、機械学習・ディープラーニングの産業利用のための基礎的な知識・基本事項を解説します。数式は、ほとんど使用しません。業種や経験は不問です。テキストと講師のデモにより、その概要・長短所・動向を理解します。
 2日目の講義は、機械学習・ディープラーニングの製造ラインへの導入方法についてPC演習を通して学ぶ応用講座となります。tensorflow(もしくはchainer)を使用して、画像データ、音データ、センサーデータを駆使して、実際に異常検知モデルを作成します。画像に関しては、サイズの調整、特徴を取りやすくするための前処理といった基本からCNNによる分類まで、一連の作業を行います。音・センサーデータに関しても、FFT変換、特徴量抽出などからRNN・オートエンコーダによる分類まで、一連の作業を行います。この講義で使用したサンプルプログラムを流用することで、自社でも機械学習・ディープラーニングに取り込むことが可能となります。


  • 講習会一覧(日付順)
  • 受講のしおり
  • 会場案内
  • お問い合わせ
  • よくある質問


  • facebook
       
ページTOPへ