セミナー 印刷

【Live配信】
少ない学習データを用いた
高効率な機械学習と
AIの業務への導入を成功させるコツ

~関数推定、異常検知、深層学習、
進化的機械学習での少量データの有効活用~

■深層学習の現状と課題■
■少量データによる機械学習法と問題への具体的適用方法■
■業務へのAI導入と実際と成功のコツ■

本セミナーは、【Live配信】のみでの開催となりました。(5月22日 更新)
(会場参加はございません。)
少ない学習データからの高効率な機械学習とその有益なモデル化、具体的な利用方法

企業におけるAI導入プロジェクト、ビジネスの課題解決、管理、

数式やプログラムをほとんど使わずに率直かつ平易に解説

より効率的で確実な機械学習の手法を学ぶ
このセミナーの受付は終了致しました。
日時 2020年6月22日(月)  10:30~16:30
会場 Live配信セミナー(リアルタイム配信) ※会社・自宅にいながら学習可能です※  
会場地図
受講料(税込)
各種割引特典
49,500円 ( S&T会員受講料 46,970円 ) S&T会員登録について
定価:本体45,000円+税4,500円
会員:本体42,700円+税4,270円
※テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
 1名申込みの場合:受講料( 定価:35,200円/S&T会員 33,440円 )

35,200円 ( S&T会員受講料 33,440円 ) 
  定価:本体32,000円+税3,200円
  会員:本体30,400円+税3,040円
※1名様でLive配信/WEBセミナーを受講する場合、上記特別価格になります。
※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
※他の割引は併用できません。
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49,500円 (2名ともS&T会員登録必須​/1名あたり定価半額24,750円) 
ライブ配信【ライブ配信(Zoom使用)セミナー】

 ・本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信セミナーとなります。
 ・お申込み受理のご連絡メールに接続テスト用のURL、ミーティングID​、パスワードが記されております。
  「Zoom」のインストールができるか、接続できるか等をご確認下さい。

 ・セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
 ・セミナー資料は事前にお申し込み時のご住所へ発送させて頂きます。
 ・開催まで4営業日を過ぎたお申込みの場合、セミナー資料の到着が、開講日に間に合わない可能性がありますこと、
   ご了承下さい。

 ・開催日時にリアルタイムで講師へのご質問も可能です。
 ・タブレットやスマートフォンでも視聴できます。
備考※資料付 (郵送いたします)
※講義中の録音・撮影はご遠慮ください。
得られる知識・人工知能と機械学習の概要
・深層学習の現状と課題
・少量データによる機械学習法といくつかの問題に対する具体的な適用方法
・業務へのAI導入と実際と成功のコツなど
キーワード:人工知能,機械学習,深層学習,進化計算法,進化的機械学習,AI導入

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、大企業・中小企業を問わず、業務へのAIの導入方法や利用上の問題などに悩まされている経営者・技術者の方々が非常に多いです。深層学習(ディープラーニング)の発展により、従来は実現できなかった高い精度を達成でき、AIを適用できなかった業務への導入が可能になっているのは事実です。
 一方、深層学習はオールマイティな手法ではなく、何でも解決できるわけではありませんし、利用上の問題点も多いです。特に、学習に大量の洗練されたデータが必要なことは大きな障害となっており、最近ではできるだけ少量の学習データから有益なモデル化や利用が行える機械学習が求められています。
 そこで本セミナーでは、始めに人工知能と機械学習の概要と現状について触れた後、少ない学習データから高効率な機械学習とその具体的な利用方法、さらにAI導入時の注意点を紹介します。AIを業務に利用しようと考えているが、うまく行かずにお悩みの経営者・技術者の方々などを対象にして、少ない学習データを用いる機械学習やAI導入について、数式やプログラムをほとんど使わずに率直かつ平易に解説します。

セミナー講演内容

1.機械学習の現状と課題
 1.1 人工知能と機械学習
 1.2 機械学習の種類と方法
 1.3 教師あり/なし/半教師つき学習
 1.4 少量データを用いた機械学習とは?

2.深層学習(ディープラーニング)の現状と課題
 2.1 階層型神経回路網の原理と問題点
 2.2 深層学習の基礎と最近の手法
 2.3 深層学習の問題点とその対策

3.少量データを用いた機械学習1:関数推定
 3.1 ベイズ最適化に基づく関数推定
 3.2 遺伝的プログラミング(GP)による関数推定
 3.3 CGP(Cartesian GP)による関数推定

4.少量データを用いた機械学習2:異常検知
 4.1 1クラスSVM(Support Vector Machine)
 4.2 CAE(Convolutional Auto Encoder)による異常検知
 4.3 半教師あり学習によるクラス分類

5.少量データを用いた機械学習3:少量データによる深層学習
 5.1 CG(Computer Graphics)を用いた機械学習
 5.2 GAN(Generative Adversarial Network)による水増し
 5.3 転移学習と蒸留・浸透学習(Percolative Learning)

6.少量データを用いた機械学習4:進化的機械学習
 6.1 進化計算法の原理と特徴
 6.2 処理プロセスの自動生成
 6.3 分かり易い分類器の自動生成
 6.4 CS(Classifier System)によるルールの学習

7.企業への機械学習導入方法
 7.1 機械学習導入における「基本8箇条」
 7.2 AIコンサルの必要性

8.まとめと質疑応答