• 2016年01月06日(水) 10:30 ～ 17:30

１．実世界センシング・マイニング
　　（１）． センサ技術の進展と普及：ウェアラブルセンサ、スマートフォンセンサ、スマートウォッチ、センサネット
　　（２）． 実世界センサデータからのパターン認識：行動認識技術と屋内位置測位技術
　　（３）． 実世界センシングの応用例：屋内ナビゲーション、独居高齢者見守り、ヘルスケア、スマートフォンゲーム、作業分析

２．実世界データ処理の基礎
　　（１）． さまざまなデータとその前処理：時系列データ、画像、音声、深度データ（Kinect）
　　（２）． 距離計算と近傍探索：DPマッチング、混合ガウスモデル(GMM)とKLダイバージェンス
　　（３）． クラスタリング：k-means法、x-means法、階層的クラスタリング
　　（４）． 判別分析：SVM(サポートベクターマシン)、決定木、ランダムフォレスト
　　（５）． 系列モデル：隠れマルコフモデル（HMM）、条件付き確率場 (CRF)
　　（６）． 回帰分析：線形回帰、ロジスティック回帰、ランダムフォレスト回帰
　　（７）． 予測

３．行動認識手法
　　（１）． 身体に装着した加速度センサを用いたジェスチャ・行動認識
　　（２）． 環境に設置したセンサやマイク、カメラ、深度センサ映像を用いた行動認識
　　（３）． スマートフォンセンサデータを用いた行動認識

４．屋内位置推定手法
　　（１）． Wi-Fi（無線LAN）電波・iBeaconを用いた屋内位置推定
　　（２）． 慣性センサを用いた歩行者デッドレコニング
　　（３）． カメラ画像を用いた位置推定

５．最新の手法を用いた実世界データ処理
　　（１）． 実運用・実データ処理の難しさ
　　（２）． センサデータのノイズ・ゆらぎ：パーティクルフィルタ、アンサンブル学習を用いたロバストな推定
　　（３）． 次元の呪い：主成分分析(PCA)、スパースコーディングによる次元削減
　　（４）． 異種センサデータ：マルチカーネル学習（MKL）による行動認識
　　（５）． トレーニングデータ収集コスト：半教師あり学習、転移学習、適応技術(MAP適応、MLLR適応)、ノンパラメトリックベイズ
　　（６）． 大量のデータを学習: ディープラーニング

６．実装にむけて
　　（１）． センサデバイス実装
　　（２）． スマートフォンセンサの利用
　　（３）． データマイニング・パターン認識ツール

７．おわりに

日本テクノセンター研修室