セミナー 印刷

<AIの業務利用の切り札である>
進化的機械学習の原理と企業での利用方法

■従来の機械学習・深層学習の本質とその問題点、解決策■
■進化計算法のによる機械学習の最適化と自動構築■
■AI技術の導入方法、長所・短所、企業での利用方法■

AI技術の業務への導入・活用・商品化の方法
ディープラーニングから次世代のAIである“進化的機械学習”へ
理論的な説明は最小限に留め、直感的で分かり易く解説
このセミナーの受付は終了致しました。
日時 2018年10月22日(月)  10:30~16:30
会場 東京・品川区大井町 きゅりあん  4F 第1特別講習室
会場地図
受講料(税込)
各種割引特典
48,600円 ( S&T会員受講料 46,170円 ) S&T会員登録について
定価:本体45,000円+税3,600円
会員:本体42,750円+税3,420円
S&T会員なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で48,600円 (2名ともS&T会員登録必須​/1名あたり定価半額24,300円) 
備考資料・昼食付
※講義中の録音・撮影はご遠慮ください。
※講義中のパソコン使用はキーボードの打音などでご遠慮いただく場合がございます。
得られる知識従来の機械学習・深層学習の本質とその問題点、解決策など
次世代AIの切り札である進化的機械学習の基礎と応用例、業務でのAIの利用方法など
キーワード:人工知能,械学習,深層学習,浸透学習,進化計算法,進化的機械学習,AIの利用

セミナー講師

横浜国立大学 大学院環境情報研究院 教授 工学博士 長尾 智晴 氏
【専門】知能情報学・知能ロボティクス
【講師紹介】

セミナー趣旨

 現在注目されている機械学習、特に深層学習(ディープラーニング)には、処理がブラックボックスになり説明不可能、構造設計が大変、膨大な学習データが必要といった産業応用上の問題点があります。
 本セミナーでは、これらを解決して次世代のAIを実現する技術として最近注目されている進化的機械学習の原理と、様々な問題に対する利用例、業務でのAIの利用方法などについて、企業でのAI利用者の立場に立った平易な解説を行います。

セミナー講演内容

1.人工知能と機械学習の要点
 1.1 人工知能の変遷と将来展望
  1.1.1 人工知能の歴史
  1.1.2 今後の人工知能
 1.2 機械学習の種類と特徴
  1.2.1 機械学習の種類と各手法の本質
  1.2.2 現在主流の事例に基づく機械学習
 1.3 教師あり/なし学習とその代表的な手法
  1.3.1 教師あり学習の手法 ~SVM,Boostingなど~
  1.3.2 教師なし学習の手法 ~K-平均法,SOMなど~
  1.3.3 教師あり/なし学習の今後の課題

2.深層学習(ディープラーニング)とその問題点
 2.1 神経回路網の原理とその学習方法
  2.1.1 神経回路網研究の歴史と神経細胞のモデル化
  2.1.2 相互結合型回路網とその機能
  2.1.3 階層型神経回路網とその学習法・機能の本質
 2.2 深層学習の基礎
  2.2.1 深層学習とは何か?
  2.2.2 深層学習を可能にした各種のテクニック
  2.2.3 深層学習による処理の実例
 2.3 深層学習の利用方法
  2.3.1 各種の深層学習ライブラリ
  2.3.2 ライブラリの利用方法と構造設計
 2.4 深層学習の最近の手法
  2.4.1 GANやYOLOなど最近話題の手法
 2.5 深層学習の問題点とその対策
  2.5.1 処理がブラックボックスになる問題
  2.5.2 膨大で整備された学習データが必要な問題
  2.5.3 未学習データに対する動作保証の問題
  2.5.4 構造設計が職人芸である問題
  2.5.5 その他の問題

3.進化計算法の原理(なぜうまく行くのか?)
 3.1 進化計算法とその基本的な手順
  3.1.1 進化計算法とは何か?
  3.1.2 進化計算法の歴史と基本的な手順
 3.2 遺伝的アルゴリズム(GA;Genetic Algorithm)の本質
  3.2.1 GAの基本処理手順
  3.2.2 なぜうまく探索できるのか?(進化計算法の本質)
 3.3 遺伝的プログラミング(GP;Genetic Programming)の本質
  3.3.1 GPの基本処理手順
  3.3.2 木構造最適化の実例紹介
 3.4 その他の進化計算アルゴリズム
  3.4.1 PSO・DE・CGPなどの従来手法
  3.4.2 GMA・GIN・GRAPEなどの長尾研による手法
 3.5 進化的機械学習
  3.5.1 進化的機械学習とは?
  3.5.2 従来手法の紹介(Classifier System)
  3.5.3 進化計算法による機械学習の最適化と自動構築
 3.6 進化計算法の今後
  3.6.1 最強の進化計算法とは何か?
  3.6.2 進化計算法の目指すべき発展方向

4.進化的機械学習の利用例
 4.1 非破壊検査のための画像処理の自動構築
  4.1.1 進化的画像処理(数値最適化)
  4.1.2 進化的画像処理(構造最適化)
 4.2 分かり易い認識器のための特徴量の進化的最適化
  4.2.1 GAによる特徴量の組合せ最適化
  4.2.2 前処理の導入による特徴量の最適化
 4.3 処理回路の全自動構築
  4.3.1 セル型回路による超解像処理の自動構築
  4.3.3 深層回路の進化的簡約化
 4.4 任意の構造と機能を実現する進化型ニューラルネットワーク
  4.4.1 進化的ニューラルネットワークの原理
  4.4.2 移動ロボットの行動最適化
 4.5 時系列信号の変動予測と投資戦略の構築
  4.5.1 テクニカル戦略の進化的最適化
  4.5.2 投資戦略の最適化
 4.6 浸透学習法とその進化的最適化
  4.6.1 浸透学習法とは何か?
  4.6.2 浸透学習モデルの進化的最適化

5.機械学習の業務応用
 5.1 機械学習の導入における課題
  5.1.1 導入時の課題
  5.1.2 それでも機械学習を使う必要性
 5.2 AI技術の導入方法
  5.2.1 AI技術の長所と短所
  5.2.2 企業での利用方法

6.まとめ

  □質疑応答□