機械学習 セミナー パターン認識 ディープラーニング サポートベクターマシン ニューラルネットワーク 異常検知

サイトマップサイトマップ よくあるお問合わせよくあるお問合せ リクエストリクエスト セミナー会場セミナー会場へのアクセス リンクリンク
セミナーのメニュー
  ヘルスケア系
4月
5月
6月
7月〜

化学・電気系 その他各分野
4月
5月
6月
7月〜
出版物出版物
新刊図書新刊図書 月刊 化学物質管理Gmpeople
ヘルスケア系ヘルスケア系化学・電気系化学・電気系
通信教育講座通信教育講座
セミナー収録DVDDVD
電子書籍・学習ソフトDVD
セミナー講師のコラムです。講師コラム
お申し込み・振込み要領お申込み・振込要領
案内登録案内登録
↑ ↑ ↑
新着セミナー、新刊図書情報をお届けします。


SSL GMOグローバルサインのサイトシール  


機械学習 セミナー パターン認識 ディープラーニング サポートベクターマシン ニューラルネットワーク 異常検知


*その他 機械学習・ディープラーニング・人工知能: 関連セミナー、書籍はこちら:

★大量のデータが必要なディープラーニングではなく、データ量が少なくても使える
 パターン認識(サポートベクターマシン)を基礎からわかりやすく解説!
★機械学習による異常発見や劣化診断など、実務に即した応用事例も多数紹介します。

機械学習;パターン認識
―少ないデータでも有効な機械学習
Support Vector Machineの基礎と実際―

講師

青山学院大学 理工学部・経営システム工学科 教授 小野田 崇 先生

* 希望者は講師との名刺交換が可能です

講師紹介

■ご略歴:
 1986年3月 国際基督教大学 教養学部 理学科 卒業
 1988年3月 東京工業大学大学院 理工学研究科修士課程 原子核工学専攻 修了
 1988年4月 (財)電力中央研究所 経済研究所 情報システム部 入所
 1997年7月 GMD FIRST(現Fraunhofer FIRST)客員研究員(1年間)
 2007年4月 東京工業大学 知能システム科学専攻 連携教授(兼務,6年間)
 2012年7月 (財)電力中央研究所 システム技術研究所 副研究参事 情報数理領域リーダー
 2016年3月 (財)電力中央研究所 退職
 2016年4月 青山学院大学 理工学部 経営システム工学科 教授に就任

■専門および得意な分野・研究:
 統計的機械学習, 設備診断, サイバーセキュリティ, 人工知能, ビッグデータ分析

■本テーマ関連学協会での活動:
 人工知能学会 理事,シニア編集委員

→このセミナーを知人に紹介する

日時・会場・受講料

●日時 2017年4月10日(月) 10:30-16:30
●会場 [東京・大井町]きゅりあん4階第2特別講習室 →「セミナー会場へのアクセス」
●受講料 1名46,440円(税込(消費税8%)、資料・昼食付)
 *1社2名以上同時申込の場合、1名につき35,640円
      *学校法人割引;学生、教員のご参加は受講料50%割引。→「セミナー申込要領・手順」を確認下さい。

●録音・撮影行為は固くお断り致します。
●講義中のパソコン・携帯電話の使用はご遠慮下さい。


■ セミナーお申込手順からセミナー当日の主な流れ →

セミナーポイント

■はじめに:
 Deep Learningが最近注目を集めていますが,Deep Learningを利用するにはなかなか現実の現場では収集できないような大変な量の学習データが必要です。
 本セミナーでは現場で起きている課題を有する実務者や研究開発者を対象に,少ないデータでも有効な機械学習Support Vector Machineの基礎を,微分の知識があれば理解できるようにきるだけ簡単に紹介し,実務へのサポートベクターマシン利用の判断ができるようになることを目的としています。

■ご講演中のキーワード:
 Support Vector,マージン,汎化能力,分類問題,パターン認識,最適化問題

■受講対象者:
 微分,最適化のちょっとした知識のある以下の方が対象
  ・様々な企業の現場で課題を抱える実務者
  ・企業などの研究開発者
  ・企業のトップに近い,システム開発の判断ができる方
  ・医療現場の医療情報データの利活用を考えている方

■必要な予備知識:
  基礎的な偏微分,最適化の知識

■本セミナーで習得できること:
  Support Vector Machineの基礎知識 ・ Support Vector Machineの適用ノウハウ ・ パターン認識技術の現状 ・ 機械学習の重要性

セミナー内容

■ご講演プログラム

1. パターン認識の概要
  1.1 パターン認識とは
  1.2 パターン認識で何ができるのか?
  1.3 多変量解析に基づくパターン認識の手法
    (1)線形判別分析再考
    (2)ロジスティック回帰再考
  1.4 機械学習に基づくパターン認識の手法
    (1)k-近傍法
    (2)ニューラルネットワーク
    (3)RBFネットワーク
    (4)サポートベクターマシン(SVM)

2. サポートベクターマシンの基礎
  2.1 線形SVM
    (1)線形SVMとは
    (2)簡単な定式化
    (3)ハードマージン
    (4)データに誤りがある場合のサポートベクターマシン
    (5)ソフトマージン
  2.2 非線形SVM
    (1)非線形SVMとは
    (2)簡単な定式化
    (3)カーネル関数
    (4)カーネルトリック

3. 1クラス(正常データしかない場合の)サポートベクターマシンの基礎
  3.1 Support Vector Data Description
    ※異常発見のような正常データしかない状況から異常を発見する
    (外れ値検出する)ためのSupport Vector Machineについて話す予定です。

4. 機械学習の応用例
  4.1 さび画像へのパターン認識適用による劣化度判定と設備診断事例紹介
  4.2 電流値,電圧値,ガス分析データなどの計測データと
    サポートベクターマシンを用いた事例紹介
  4.3 設備異常予兆発見支援への適用事例の紹介

セミナー番号:AC170431

top

注目の新刊

雑誌 月刊化学物質管理

欧米主要国の保険・薬価制度

医薬品 倉庫・輸送の品質管理

粉砕の実務

脳・生理計測と感性評価

超親水・超撥水

2017年 医薬品GMP監査

失敗から学ぶ植物工場

治験薬の品質管理

二軸押出機

MW 臨床試験関連用語集

分野別のメニュー

化学・電気系他分野別一覧

  植物工場他

  機械学習他

ヘルスケア系分野別一覧

  海外関連

  医療機器

各業界共通
マーケティング・人材教育等

「化学物質情報局」

特許・パテント一覧 INDEX
(日本弁理士会 継続研修)

印刷用申込フォーム    

セミナー用

書籍用

会社概要プライバシーポリシー通信販売法の定めによる表示リクルート
Copyright ©2011 情報機構 All Rights Reserved.