（第１部）データに基づく異常検知の基礎（統計的視点）と応用・例

１．データに基づく異常検知の基礎と統計的アプローチ

　　（１）．異常検知問題の定式化と現場データの特徴

　　　　ａ．製造現場における異常検知

・外観検査・異音検知の例

　　　　ｂ．正常データ中心のデータ構造と異常検知の課題

　　　　ｃ．異常を確率的に定義するという考え方

　　（２）．異常検知のための基本的統計学と評価指標

　　　　ａ．データ可視化による特徴理解

　　　　　　・棒グラフ、散布図、散布図行列

　　　　　　・ヒートマップ、折れ線グラフ

　　　　　　・ヒストグラム、箱ひげ図

　　　　ｂ．異常検知における性能評価指標

　　　　　　・混同行列

　　　　　　・正解率、感度、特異度、精度

　　　　　　・正常／異常の判別確率

　　（３）．確率分布に基づく異常の定義と可視化

　　　　ａ．正規分布としきい値の設定

　　　　ｂ．外れ値の確率的解釈

　　　　ｃ．多変量正規分布と等高線

　　　　ｄ．マハラノビス距離による異常度

２．代表的統計的異常検知手法とPythonによる応用・例　－デモ－

　　（１）．異常検知アルゴリズムの分類と適用例

　　　　ａ．マハラノビス距離による異常検知・例

　　　　ｂ．k－近傍法による異常検出

　　　　ｃ．One－Class SVMによる異常検出

　　（２）．データを用いたPythonによる異常検知のデモ

・画像・音データ

　　　　ａ．特徴量抽出と前処理

　　　　ｂ．各手法による異常検出の実装・例

　　　　ｃ．検出結果の可視化と解釈

（第２部）多変量解析と深層学習による異常検知の基礎と高度化への応用

３．多変量解析と次元削減による異常検知の高度化応用技術

　　（１）．多変量データの基本概念と構造理解

　　　　ａ．分散・共分散とデータ構造

　　　　ｂ．相関と特徴量の冗長性

　　　　ｃ．高次元データの課題

　　（２）．主成分分析（PCA）の仕組みと可視化

　　　　ａ．固有値問題としてのPCA

　　　　ｂ．次元削減と情報圧縮

　　（３）．PCAを用いた異常検知

　　　　ａ．次元削減と情報圧縮による異常検出

　　　　ｂ．再構成誤差の考え方

　　（４）．データを用いたPythonによるPCAベース異常検知への応用

　　　　ａ．画像データの特徴量圧縮

　　　　ｂ．音データの特徴空間の可視化

　　　　ｃ．異常点の視覚的検出・例

４．深層学習による異常検知とAutoencoderの応用　－デモ－

　　（１）．ニューラルネットワークの基礎構造

　　　　ａ．線形変換と非線形変換

　　　　ｂ．活性化関数の役割

　　　　ｃ．誤差関数の理解

　　（２）．学習アルゴリズムの基礎

　　　　ａ．勾配降下法の直感的理解

　　　　ｂ．誤差逆伝播法（Backpropagation）

　　　　ｃ．学習の安定化と注意点

　　（３）．Autoencoderによる異常検知

　　　　ａ．ボトルネック構造

　　　　ｂ．再構成誤差による異常検出

　　（４）．データを用いたPythonによるAutoencoder異常検知・例

・画像・音データ

　　　　ａ．モデル構築と学習

　　　　ｂ．異常スコアの算出

　　　　ｃ．画像異常検知・異音検知と例

・デモ