製造業でAIを活用するためのデータサイエンティスト養成講座

初心者向けセミナーです

～ 入門編 ～
AI技術活用のためのコツを大局的な観点からまとめます


AI技術活用のポイントは、AI技術を問題解決に使役するデータサイエンティストや管理者の仕事の進め方です！

セミナー講師

テクノスデータサイエンス・エンジニアリング（株）
　　　　　　　　　　　　執行役員　常務　博士（理学）池田 拓史 氏
《専門》
　データサイエンスを使ったデータ解析コンサルティング
《略歴》
　1993年　筑波大学第一学群自然学類物理学専攻を卒業、
　　　　　筑波大学大学院博士課程物理学研究科物理学専攻へ入学
　1995-97年　米フェルミ国立加速器研究所　客員科学者
　1999年　筑波大学大学院博士課程物理学研究科物理学専攻を修了
　　　　　博士号を取得（博士（理学））
　　　　　その後、データサイエンス・コンサルティング業界へ転身
　2014年　テクノスデータサイエンス・エンジニアリング株式会社へ入社
　　　　　執行役員
　2015年　同社執行役員常務
《活動等》
　・財団法人 企業活力研究所 ものづくり競争力研究会委員(2018、2019)
　・NPO法人 ITスキル研究フォーラムDX実態調査ワーキンググループ副主査(2019)、
　　AIワーキンググループ副主査(2018)、データ利活用WGメンバー(2015,2016)
　・一般社団法人　人工知能ビジネス創出協会 運営委員(2016～)
　・IoTビジネス共創ラボ　製造WGメンバー (2016～)、
　　その他、データサイエンス普及のための講演を多数実施

セミナー受講料

55,000円（税込、昼食・資料付）
■ セミナー主催者からの会員登録をしていただいた場合、1名で申込の場合49,500円、
　 2名同時申込の場合計55,000円（2人目無料：1名あたり27,500円）で受講できます。
　 備考欄に「会員登録希望」と希望の案内方法【メールまたは郵送】を記入ください。
（セミナーのお申し込みと同時に会員登録をさせていただきますので、
　  今回の受講料から会員価格を適用いたします。）
※ 会員登録とは
　 ご登録いただきますと、セミナーや書籍などの商品をご案内させていただきます。
　 すべて無料で年会費・更新料・登録費は一切掛かりません。

セミナー趣旨

　AI技術の活用が製造業においても大きな注目を集めていますが、皆さまの直面する具体的な課題は様々であり、特定の局面における応用事例をいくら学んでも目の前の課題解決には当てはめることが出来ないとお悩みになっていらっしゃる方も多いのではないでしょうか。実はAI技術の活用のポイントはAI技術そのものではなく、AI技術を問題解決に使役するデータサイエンティストやその管理者の仕事の進め方にあります。
　本講演では、企業におけるデータサイエンス・コンサルティングの黎明期より様々なデータサイエンス・プロジェクトでの活動を経験してきた講演者が、AI技術活用のためのコツを大局的な観点からまとめます。これからAI技術の活用を検討中の皆さま、現在進行形でお悩みの皆さま、データサイエンティストを管理する立場の皆さまにもご参加いただきたいセミナーです。

受講対象・レベル

　AI技術活用の取り組みでお悩みの方や、活用を検討されている方。例示には製造業のものを用いますが、基礎概念から扱いますので必ずしも業種は限りません。
　

習得できる知識

・なぜAI技術でビジネス課題が解決できるのか
・AI技術を使いこなすためにはどのような活動を行なえばよいのか
・AI技術以外ではどのような要素を考慮すべきなのか
・AI技術による問題解決のパターンはどのように一般化できるのか
・統計的学習手法と機械学習手法のどちらから選んだらよいのか
・良く使われるAI技術は実際のところ何を計算しているのか

セミナープログラム

１．AIとは？ データサイエンティストとは？
　1-1．AI技術に期待できること、出来ないこと 
　1-2．なぜAI技術を使って問題解決が出来るのか
　1-3．データサイエンティストの果たす役割 
　1-4．データサイエンティストの管理者の果たす役割
　1-5．データサイエンティストに必要な素養と教育のためのリソース
　1-6．データサイエンスの推進に必要な道具立て　　　

２．AIによる問題解決のためにデータサイエンティストとして知っておくべき知識
　2-1．AIモデル技術による問題解決を取り巻く諸要素の関係性
　2-2．モデルとは何か
　2-3．AIモデルによるビジネス課題の解決パターン
　2-4．データの量と品質がAI技術の選定に与える制約とは
　2-5．実世界への接続方法がAI技術の選定に与える制約とは

３．代表的なAIモデル技術の紹介
　3-1．線形回帰
　3-2．ロジスティック回帰
　3-3．状態空間モデル
　3-4．ニューラルネットワーク
　3-5．ディープラーニング
　3-6．決定木
　3-7．ランダムフォレスト
　3-8．勾配ブースティング木
　3-9．SVM
　3-10．1クラスSVM

【質疑応答・名刺交換】