１．異常検知の全体像をつかむ：考え方、適用場面、実装の流れ

　　（１）．異常検知とは何か：教師あり分類との違いと、異常データが少ない現場での考え方

　　　　ａ．「正常」と「異常」の不均衡データ問題

　　　　ｂ．未知の異常をどう定義するか

　　（２）．異常検知の活用シーンと事例紹介：製造、IT、業務データへの応用イメージをつかむ

　　　　ａ．製造ラインのセンサーデータ監視

　　　　ｂ．ITインフラのログ解析とセキュリティ

　　（３）．Google Colaboratoryによる実習環境の構築：分析に必要な最小限の準備と可視化方法

　　　　ａ．ライブラリのインポート（Pandas、Scikit－learn等）

　　　　ｂ．データの可視化手法の確認

２．統計的アプローチ：外れ値検知の基礎（デモ）

　　（１）．ホテリング理論に基づく異常検知：マハラノビス距離による異常度の考え方と実装

　　　　ａ．正規分布とマハラノビス距離の概念

　　　　ｂ．Pythonによる1次元・多次元データの異常判定

　　（２）．閾値（しきい値）の決定と評価指標：異常と判定する基準の決め方と性能評価の見方

　　　　ａ．カイ二乗分布を用いた理論的閾値の設定

　　　　ｂ．精度・再現率・F値とROC曲線

３．非線形な異常を捉える機械学習手法：代表アルゴリズムの特徴と使い分け（デモ）

　　（１）．Isolation Forest：孤立化による外れ値特定：データを孤立させる考え方による異常スコア算出

　　　　ａ．木構造を用いたアルゴリズムの直感的理解

　　　　ｂ．高次元データに対する有効性と実装

　　（２）．One－Class SVM：境界線による正常域の定義：正常データの境界を学習する手法

　　　　ａ．カーネルトリックの概要

　　　　ｂ．パラメータチューニングによる境界線の変化

　　（３）．Local Outlier Factor（LOF）：密度に基づく検知：近傍密度の差から局所的異常を見つける方法

　　　　ａ．クラスタ近傍の密度差に注目する理由

　　　　ｂ．局所的な外れ値を捉える手法  (デモ)

４．正常パターンからのズレを捉える手法：PCAとオートエンコーダーの活用（デモ）

　　（１）．主成分分析（PCA）を利用した異常検知：正常な特徴を圧縮表現し、逸脱を検出する

　　　　ａ．次元圧縮による「正常な特徴」の抽出

　　　　ｂ．再構成誤差（正常からのズレ）の算出

　　（２）．ニューラルネットワークによるアプローチ：軽量オートエンコーダーの構築と活用

　　　　ａ．オートエンコーダーの構造（CPU実行可能な軽量モデル）

　　　　ｂ．学習用データ（正常のみ）の準備と学習のコツ

５．実データに近いシナリオでの異常検知への応用・例：時系列データへの適用と運用上のポイント（デモ）

　　（１）．時系列データに対する異常検知の適用：前処理から故障予兆検知までの流れ

　　　　ａ．移動平均と窓関数を用いた前処理

　　　　ｂ.デモ：擬似センサーデータからの故障予兆検知

　　（２）．まとめと実運用に向けたアドバイス：手法選定、閾値設定、誤検知対策の考え方

　　　　ａ．モデル選択の指針（計算コストｖｓ精度）

　　　　ｂ．「説明可能なAI」としての異常検知の視点とそのポイント