• 2025年10月17日(金) 10:30 ~ 17:30

１．サロゲートモデル構築の基本
　　（１）．サロゲートモデルとは何か？
　　（２）．代表的なモデル（多項式回帰、ニューラルネットワーク、決定木）
　　（３）．サロゲートモデルの適用例と導入効果
　　（４）．モデル化に必要なステップ（データ取得 → 前処理 → モデル選定 → 検証）
　　（５）．工学設計業務における利点と限界

２．ニューラルネットワークとはなにか
　　（１）．ニューラルネットワークの構成と学習の仕組み
　　（２）．活性化関数（ReLU、tanh、sigmoid）
　　（３）．最適化手法（SGD、Adamなど）
　　（４）．損失関数と評価指標（MSE、MAEなど）
　　（５）．ハイパーパラメータの役割と調整方法

　　・MLPとCNN、その他基本用語（分類・回帰問題、SoftMax・恒等関数、活性化関数、最適化、正規化、正則化、ハイパーパラメータ）などを学習

３．三角関数の学習（実習）： sin関数とtan関数を学習する
　　（１）．配布プログラムの読み方と構成の理解
　　（２）．入力層・隠れ層・出力層の構成と調整
　　（３）．パラメータ変更による学習挙動の変化の観察
　　（４）．学習データと検証データの作成と使い分け

　　・この実習ではMLP、Kerasを前提とします、プログラムは配布、ネットワーク構成とプログラムの対応付を説明してパラメータを調整してもらいます、またデータ作成の方法も合わせて説明いたします。

４．サロゲートモデル構築のための機械学習適用に関する留意事項
　　（１）．表現できないことがある、対象を正しく写像する必要性
　　（２）．正規化の意味と重要性
　　（３）．活性化関数や最適化の選び方
　　（４）．対象の性質や変化の様子に対する理解の重要性

５．早く収束させるための正則化技術
　　（１）．正則化とは何か（L１、L２、Dropoutの概念と違い）
　　（２）．過学習とは？ その兆候と検出方法
　　（３）．正則化が学習曲線や予測精度に与える影響
　　（４）．過学習の防止だけでなく、収束性向上への寄与
　　（５）．精度を犠牲にしないための調整の工夫

　　・正則化とは過学習を防ぎ精度を高める可能性のある技術です。過学習の防止≠高精度ではない、精度が悪いところで収束してしまうこともある（この場合が多い！）。

６．最も重要なデータ拡張
　　（１）．データ拡張の目的（過学習防止と汎化能力向上）
　　（２）．どれくらいの拡張が適切か？（量と多様性）、意味のある拡張とは？（ノイズ vs 情報）
　　（３）．拡張データの統計的特性を維持する工夫
　　（４）．拡張の限界と注意点

　　・データ拡張のポイント（どのくらい増やすのがよいのか、意味のある拡張、統計的性質を維持）を体験

７．サロゲートモデルの実際　～CAE（材料力学）によるデータ生成～
　　（１）．データの作り方
　　（２）．入力パラメータ（因子）設計の考え方
　　（３）．データの出現頻度と予測精度
　　（４）．実習

　　材料力学の例題（両端支持梁）を題材として学習を行う。
　　答えが分かっている問題に絞ることにより機械学習による精度低下や高精度予測を行うための試行錯誤が明確に理解できる。また、あえて間違ったデータを入れたときに学習結果はどのように変わるのかを知ることも大切です。

オンラインセミナー