• 2026年12月03日(木) 10:00 ~ 17:00

１．ＡＩの支援で品質を可視化する
　　（１）． トレンドの可視化：折れ線グラフ(管理図)からＡＩ(機械学習)のカーネル平滑化まで
　　（２）．分布の可視化：ヒストグラムからＡＩ(機械学習)の正規混合分布まで
　　（３）．基本統計量の計算：最小２乗法と最尤法の考え方

　・ビッグデータの活用時代に入り個体数と変数が膨大となり、従来のグラフ化(散布図行列など)ではデータ点が重なり合ってデータ密度が分からない問題が起きています。そこで、データ例を使って、従来の方法から機械学習やＡＩで使われる方法の比較を行いながら学習していきます。品質管理では、層別は結果から行うことはタブーでしたが、ＡＩでは結果のデータ構造から分類が可能になることを学びます。なお、パラメータの推定に使われる最尤法についても簡単に説明します。

２．ＡＩと対話しながら、ばらつきを可視化する　：ＡＩによるデータ分析の基礎
　　（１）．ＡＩに聞くばらつき：ばらつきのモデル表現、正確さと精密さの違い
　　（２）．ＡＩが考えるばらつきの評価：確率紙から最尤推定の分布関数の推定まで
　　（３）．ＡＩと考える工程能力：規格にあった工程能力指数の選び方

　・簡単な数値例を使って、ＡＩと対話しながらデータ分析の基礎を学びます。ＡＩは、入力からスクリプトを作りPythonへの受け渡しをします。その結果を出力します。

３．統計的推定と統計的検定の違いを理解する
　　（１）．統計的推定の意味を理解する：ビッグデータで陥りやすい落とし穴
　　（２）．統計的検定の意味を理解する：ビッグデータでは統計的検定が使えない？
　　（３）．検査のエビデンスは統計的検定でまとめる

　・比較的大きなデータセットを使い、従来の推測統計が無効化される状況をデモします。また、統計的検定と推定の考え方の違いについても整理します

４．変量の関係(相関と回帰)
　　（１）．２変量の関係の可視化：散布図からＡＩ(機械学習)の等高線図、ヒートマップまで
　　（２）．相関係数と偏相関係数　
　　（３）．回帰直線と区間推定

　・従来の方法では、ビッグデータの分析で２変量の関係を散布図で描くと、打点が重なってデータの密度が読み取れず構造がよくわかりません。そのための回避方法を紹介します。それがヒートマップです。また、回帰の区間推定と個々のデータの予測区間との違いも説明します。説明では統計的方法の回答だけでなく、実務でどう考えて、活用するのかについて事例を通して考えていきます。

５．要因が２つある場合の判別問題と分類問題
　　（１）．判別分析：２つの母平均の検定からの判別関数、さらにＡＩ(機械学習)のサポートベクターまで
　　（２）．不良率の予測：ロジスティック回帰からＡＩ(機械学習)のニューラルネットまで
　　（３）．個体の分類(クラスター分析)

　・ビッグデータに対する判別や分類について、従来法である判別分析のマズさを指摘し、その解決方法として、サポートベクターマシンの考え方を紹介します。
　　また、不良率の予測に従来からロジスティック回帰が使われてきましたが、その発展形として、ニューラルネットワークがあること、ニューラルネットワークは深層学習やＬＬＭといったＡＩの基礎となっていることを示します。

６．ＡＩを活用した品質改善と事例
　　（１）．検査風景から改善点を探す
　　（２）．ＡＩに問題解決の道筋を考えさせる
　　（３）．ＡＩとのよい付き合い方

　・総合的な実践として、検査風景からの改善をＡＩと一緒に考えていきます。デモを通じてＡＩを活用した問題解決の流れを紹介します。

オンラインセミナー