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SupportVectorMachineの基礎と実際―

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。

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

■ 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 元理事，シニア編集委員

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

★ 過去、本セミナーを受講された方の声（一例）：
　・技術的内容だけでなく、応用事例もご紹介いただき大変参考になりました。
　・とても有意義で勉強になりました。ありがとうございました。
　・機械学習についてあまり理解ができていませんでしたが、大変わかりやすく、MLについての
　　理解が進みました。応用事例の話も興味深く、もっと勉強していきたいと思いました。
　・とてもわかりやすかったです。
　・内容が濃く満足しています。わからなかった部分は自己補完します。

セミナー内容

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）マハラノビス距離
　　（２）線形判別分析
　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