時系列データ解析の基礎とAI(人工知能)および異常検知への応用 <オンラインセミナー>

~ 時系列処理の基本、AIとARMAの応用例、特徴、異常検知技術の基礎、時系列波形異常検知技術の開発と応用 ~

時系列解析の基礎から応用までを修得し、AIを用いた最新手法に応用するための講座

時系列解析の基礎から応用までを理解し、新たな手法である社会インフラ・製造分野へのAI技術を活用した最新システム技術に応用しよう!

異常検知技術と時系列波形データ分析の基礎を学び、時系列波形異常検知技術へ応用するためのノウハウとポイントを修得する特別セミナー!

オンラインセミナーの詳細はこちら:

・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。

講師の言葉

(第一部)

 時系列解析の目的は、時間的にしかも不規則に変動する対象を分析し、将来の動向を予測することで、工学、金融などさまざまな分野で、実用的な解析および予測ツールとして役立っています。

 最近では従来のARMA(自己回帰移動平均)モデルのみならず、AI(人工知能)の方法であるニューラルネットワークモデルが注目されています。両者の使用方法の違い、データ構造に依存した性能の違いなど、具体例を用いて説明します。データの前処理から初め、各種のモデルの作成方法から予測に至る一貫した手順を学びます。特に、研究が進行中のAIモデルでは、プログラムは作成できても実際に利用するには、基礎、ノウハウを蓄積することが不可欠で、それにより深く幅広い応用が可能になります。初めての方はもちろん、AIを用いた最新手法を利用したいと考えている実務経験のある方にも有用なセミナーになると思います。

 

(第二部)

 近年インダストリアルIoTの普及に伴い、インフラ設備や製造装置にセンサを取り付けて、AIにより時系列波形データから異常と正常を自動判別する異常検知技術のニーズが増えています。このような社会インフラや製造分野では、判別性能だけではなく、専門家が時系列波形データを確認する際にAIの判断結果を理解しやすい解釈性が求められるほか、稀に発生する異常のデータは正常データに比べて収集が困難であることや、異常の見逃しが許されない状況への対応など、特有の課題があります。

 本セミナーでは、異常検知技術とそれに用いられる時系列波形データ分析を説明した後、我々の開発した時系列波形異常検知技術であるOCLTSやLTSpAUC等を通して、社会インフラや製造分野への応用を紹介します。

セミナー詳細

開催日時
  • 2021年01月29日(金) 10:30 ~ 17:30
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・デザイン品質・生産管理・ コスト・安全
受講対象者 ・データ解析、システム、ソフトほか関連部門の技術者の方
・時系列解析に興味があり、各種のデータに応用し業務に活かしたいと考えている方
・従来の時系列解析のみならず、最新のAIに興味があり、理解し応用したいと考えている方
・時系列波形データを用いた異常検知技術に興味をお持ちの方
・社会インフラ・製造分野へのAI技術の導入に興味をお持ちの方
・機械学習アルゴリズムの開発に興味をお持ちの方
予備知識 ・高校程度の数学の知識
・簡単な統計に関する知識があるとより理解が深まります
修得知識 ・時系列解析の基礎から応用まで理解でき、従来の手法のみならず最新のAIによる新たな手法も習得できます
・時系列波形異常検知技術の原理や使い方
・時系列波形データ分析の特徴や課題
・異常検知の原理や代表的技術
・異常検知技術の評価方法
プログラム

第一部 AI(人工知能)とARMA(自己回帰移動平均)モデルによる時系列解析の最新技術

 

1.時系列処理の基本

  (1).時系列解析の概説

    a.具体的な応用例を用いて、AI(人工知能)モデル、ARMA(自己回帰移動平均)モデル等を用いたモデル作成から予測に至る手順を概説

    b.AIモデルとARMAモデルの性能の違いを概観

  (2).時系列の統計処理

    a.前処理、データの加工、季節変動による定常化、ボックス・ジェンキンス法等

    b.自己相関関数、偏自己相関関数など時系列の統計量の意味と計算方法

    c.モデル構築における自己相関関数の利用と留意点

    d.オーバーフィット問題

 

2.時系列モデルと評価

  (1).モデルの表現

    a.ARMAモデル、SARIMA(自己回帰和分移動平均)モデル等の構成

    b.AIモデルとしてのNN(ニューラルネットワーク)、RNN(リカレント型NN)の構成

    c.両モデルの構造上の違いとその意味

    d.モデル推定における数値的不安定性

  (2).AIとARMAの利用法と性能評価

    a.データの生成過程(線形か非線形)の違いとモデルの選択

    b.残差(1時刻先予測誤差)によるモデルの評価

    c.情報量等によるモデルの選択基準

 

3.まとめと展望

  (1).AIとARMAの応用例、特徴のまとめ

  (2).研究が進行中のAIの時系列モデルを応用する上での留意点と課題

 

第二部 AIによる時系列波形データ分析の基礎と社会インフラ・製造分野向け異常検知への応用

 

1.異常検知に用いる時系列波形データ分析の基礎

  (1).時系列波形データの特徴や課題

  (2).一般的なクラス分類(判別)技術

  (3).時系列波形データのクラス分類(判別)技術

  (4).多変量時系列波形データへの拡張

 

2.異常検知技術の基礎

  (1).異常データが少ない場合への対応

  (2).異常データを学習時に用いない代表技術

  (3).代表的な判別性能指標(AUCやF値など)

 

3.社会インフラや製造分野における時系列波形異常検知の課題

  (1).課題1:解釈性

  (2).課題2:異常データの希少性

  (3).課題3:見逃しや誤検出を厳しく抑えた判別性能の向上

 

4.社会インフラや製造分野向け時系列波形異常検知技術の開発

  (1).課題1と2を解決する技術OCLTS

  (2).課題1と3を解決する技術LTSpAUC

  (3).製造工場などへの適用事例

講師:

(株)東芝 研究開発センター 知能化システム研究所        山口 晃広 氏

キーワード ARMA  自己回帰移動平均 時系列解析 AIモデル ボックス・ジェンキンス法 自己相関関数 偏自己相関関数 SARIMA  NN ニューラルネットワーク RNN モデル推定 人工知能 時系列データ
タグ 統計・データ解析AI・機械学習ソフト管理検査信頼性試験・故障解析品質管理組み込みソフト
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。
contact us contact us
各種お問い合わせは、お電話でも受け付けております。
03-5322-5888

営業時間 月~金:9:00~17:00 / 定休日:土日・祝日