～ 振動を表現する特徴量、有効な特徴量の探索、機械学習・ディープラーニングによる故障検出と精度評価、Google CollaboratoryによるPython実装法 ～
・設備・機械のセンサデータでよく使われる振動データ解析による故障検出技術の具体例を通して実践的に修得し、異常検出の実務に活かすための講座！
・特徴量の探索手法、機械学習・AIのアルゴリズムと異常検出の応用技術を修得し、効果的な異常検知への応用と効率的なPython実装に活かそう！
・画像用の深層学習に導入されることが多いホワイトボックス化技術を、時系列信号用の深層学習に導入する方法を解説！
・講座内で解説する振動データおよびGoogle Collaboratoryで動作するコードを差し上げます
・ＷＥＢ会議システムの使い方がご不明の方は弊社でご説明いたしますのでお気軽にご相談ください。
Pythonや分析系ライブラリが広く整備されたことによって、機械学習や深層学習を実装する敷居がとても低くなってきたといえます。一方で、その解説資料は画像データを中心としたものが多いように思われます。実際には、画像もさることながら、加速度や角速度などの振動データから何かしらの状態を検出したいというお話を聞くことも多々あります。そのためこのセミナーでは、振動からモーターの故障を検出するという具体的題材を通して、機械学習および深層学習の実装方法を解説します。
講座内で解説した振動データやプログラムは配布しますので、セミナー終了後、ご自身で試すこともできます（環境構築せずにPythonコードを動かせる Google Collaboratory で動作するコードとなります）。
| 開催日時 |
|
|---|---|
| 開催場所 | オンラインセミナー |
| カテゴリー | オンラインセミナー、ソフト・データ・画像・デザイン |
| 受講対象者 | ・製造業、公的機関、IT企業、金融関連、設備・機械、マーケティング、生産管理、市場調査、生体情報、ほか（時間に従い変動するデータが解析対象であれば、どのような領域でも適合します） |
| 予備知識 | ・言語問わずプログラミングの知識、高校生レベルの数学の知識 |
| 修得知識 |
・振動データの測定および解析方法 ・機械学習や深層学習による状態推定モデルの構築 ・正しい精度評価とその解釈 |
| プログラム |
１．有効な特徴量の探索 （異常検知でよく使われる振動解析の例を含む） （１）．慣性センサ（加速度・角速度）とは （２）．データのロード方法と波形の表示 （３）．振動を表現する特徴量 （４）．特徴量空間 （５）．次元の呪い （６）．教師データとテストデータ （７）．有効な特徴量の探索（目で見て探す方法） （８）．有効な特徴量の探索（指標に基づく方法） （９）．フーリエ変換による周波数解析
２．機械学習による機械などの故障検出 （１）．決定木 （２）．サポートベクターマシン （３）．ニューラルネットワーク （４）．Ｋ近傍法（Ｋ－ニアレストネイバー法） （５）．精度評価: 適合率（Precision）と再現率（Recall）
３．ディープラーニングによる機械などの故障検出 （１）．畳み込みニューラルネットワーク （２）．データの入力方法と特徴量学習 （３）．精度評価 （３）．Grad－CAMを時系列信号の深層学習に導入する方法 ４．機械学習・深層学習のPyhtonによる実装 （１）．Google Collaboratoryによる解析 （２）．慣性センサによる人の動きの解析方法 |
| キーワード | 慣性センサ 加速度 角速度 特徴量空間 次元の呪い フーリエ変換 周波数解析 決定木 SVM Ｋ近傍法 Deep Learning Google Collaboratory |
| タグ | AI・機械学習、統計・データ解析、データ解析 |
| 受講料 |
一般 (1名)：49,500円(税込)
同時複数申込の場合(1名)：44,000円(税込) |
| 会場 |
オンラインセミナー本セミナーは、Web会議システムを使用したオンラインセミナーとして開催します。 |
こちらのセミナーは受付を終了しました。
次回開催のお知らせや、類似セミナーに関する情報を希望される方は、以下よりお問合せ下さい。
営業時間 月~金：9:00～17:00 / 定休日：土日・祝日
