多変量ビッグデータからの自動特徴パターン抽出方法とその応用

特徴パターン抽出・認識アルゴリズムの実装とパターン抽出の応用実践。

特徴パターン抽出の観点からの人工知能のポイントを理解しましょう。

講師

立命館大学 理工学部 機械工学科　教授　理学博士　宮野 尚哉 先生

■ 主経歴
住友電気工業(株)　研究員
住友金属工業(株)　主任研究員
弘前大学理工学部　助教授
立命館大学理工学部　教授

■ 専門・得意分野
非線形動力学，複雑系科学，時系列解析，人工知能

■ 本テーマ関連の専門の学会・協会等での委員会活動など
電子情報通信学会　論文誌編集委員

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

■ 講演ポイント
　インターネットに代表される情報通信インフラの発達によって、様々な情報がデジタルデータとして収集され、大量に蓄積される時代になりました。大規模データベース、即ち、ビッグデータから主要な特徴パターンを抽出することは、ビッグデータの主な活用方法であると言えます。データを素材にして、特徴パターンというより付加価値の高い情報を産み出すのです。
　本講演では、自己組織化写像やk-means法のような既存のパターン抽出法と比較しながら、データ同期と呼ばれる新しいパターン抽出法を解説します。データ同期では、抽出すべきパターン数のような先験情報を用いることはありません。データの事前分析が不要です。これが既存の手法との大きな相違点であり、特長です。実際の応用事例を通して、ビッグデータへの活用方法を紹介します。

■ 受講後、習得できること
・特徴パターン抽出・認識アルゴリズムの実装
・特徴パターン抽出の応用実践
・特徴パターン抽出の観点からの人工知能の要点理解

セミナー内容

1.集団同期現象と蔵本モデル
　1.1　集団同期現象とは何か
　1.2　蔵本モデルの数理
　1.3　集団同期現象と世論形成

2.集団同期現象と多変量特徴パターン抽出
　2.1　蔵本モデルの特徴パターン抽出への応用
　2.2　データ同期の数理
　2.3　データ同期アルゴリズム

3.自己組織化写像とデータ同期
　3.1　自己組織化写像アルゴリズム
　3.2　競合学習則とデータ同期
　3.3　自己組織化写像とデータ同期の相違点

4.k-means法とデータ同期
　4.1　k-means法
　4.2　k-means法とデータ同期の相違点

5.実践におけるポイント　−事例研究とともに−
　5.1　介護医療データと特徴パターン抽出
　5.2　ファイナンスデータと特徴パターン抽出
　5.3　風向風速データと特徴パターン抽出
　5.4　定足数検出型集団同期と特徴パターン抽出

（質疑応答）