【中止】サポートベクターマシンの基礎と予知保全・故障予測への活用

少ないデータで、高精度の機械学習を行うにはどうすれば良いか！

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 氏

受講料

1名につき５０、０００円（消費税抜き、昼食・資料付）　
〔１社２名以上同時申込の場合１名につき４５、０００円（税抜）〕

プログラム

【講演のポイント】
　最近、Ｄｅｅｐ Ｌｅａｒｎｉｎｇが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、
異常事例や故障事例などのような少ないデータの識別にも有効な機械学習
Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅの基礎を、微分の知識があれば理解できるように
で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
なることを目指しています。

【講演項目】
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)データのラベル付け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．サポートベクターマシンの応用例
　 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

【質疑応答・個別質問・名刺交換】