セミナー 印刷

【Live配信(リアルタイム配信)】
少ない学習データでもうまくいく
機械学習の適用方法と進め方とそのコツ

~データが少ない、揃わない、精度が悪い、、、ではどうするのか~

■ベースとなる機械学習技術■
■少ない学習データを用いる学習法■
■データを水増しして学習する方法■

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

数式やプログラムを最小限にし、率直かつ平易に解説

学習データが多く集まらない、学習データに偏りがある等の現実で、効率的で確実な機械学習の手法を実現する

企業におけるAI導入時の問題と解決方法
日時 2021年6月30日(水)  10:30~16:30
会場 Live配信セミナー ※会社・自宅にいながら受講可能です※  
会場地図
受講料(税込)
各種割引特典
49,500円 ( E-Mail案内登録価格 46,970円 ) S&T会員登録とE-Mail案内登録特典について
定価:本体45,000円+税4,500円
E-Mail案内登録価格: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/E-Mail案内登録価格 33,440円 )
35,200円 ( E-Mail案内登録価格 33,440円 )

  定価:本体32,000円+税3,200円
  E-Mail案内登録価格: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。
E-Mail案内登録なら、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E-Mail案内登録必須​/1名あたり定価半額24,750円) 
配布資料セミナー資料は、電子媒体(PDFデータ/印刷可)を弊社HPのマイページよりダウンロードいただきます。
(開催2日前を目安に、ダウンロード可となります)
(ダウンロードには会員登録(無料)が必要となります
オンライン配信ZoomによるLive配信 ►受講方法・接続確認(申込み前に必ずご確認ください)
備考※資料付
※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。
得られる知識機械学習の考え方と学習データが少ないときの機械学習の適用方法
対象人工知能や機械学習についてある程度の知識をおもちで、企業内のデータの機械学習を検討中の技術者の方や、
今後AIや機械学習を業務に導入しようとしている経営者の方など
キーワード:機械学習、深層学習、少数学習
 

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

学部:理工学部 数物・電子情報系学科 情報工学EP
大学院:大学院環境情報学府 情報環境専攻
YNU人工知能研究拠点長・情報系学科/大学院就職担当教授
経産省NEDO「共進化AIプロジェクト」採択課題研究代表者
YNU感性脳情報科学研究拠点・文科省COI-S拠点YNU総括
横浜国大発ベンチャー(株)マシンインテリジェンスCTO

セミナー趣旨

 近年、深層学習に代表される機械学習によって多くの問題で高い精度のクラス分類や回帰を実現できることが注目されており、企業の業務へのAI導入が検討されていますが、実際はまだあまり進んでいないのが現状です。その理由の一つが学習データを多数集められないということです。実問題では、何らかの理由で学習データを多く集めることができなかったり、集めること自身が非常に高コストであることや、学習データに偏りがあって学習し辛いことがよくあります。このような場合は深層学習などの機械学習のライブラリをそのまま適用しただけでは
必要な精度を得ることができません。
 そこで、本セミナーでは、学習データが少ない状況で機械学習を有効に適用するためのいくつかの方法をご紹介します。

セミナー講演内容

1.人工知能の現状と課題
 1.1 人工知能の定義と発展の歴史
  ~人工知能とは何か?・考え方の推移など~
 1.2 人工知能の最近の課題と今後の展望
  ~説明性・精度保証・XAI・共進化AIなど~

2.ベースとなる機械学習技術
 2.1 教師あり学習・教師なし学習・半教師あり学習
  ~SVM・決定木・ランダムフォレスト・k-平均法など~
 2.2 深層学習の原理と特徴
  ~ニューラルネットワーク・深層学習・問題点など~
 2.3 進化的機械学習の原理と特徴
  ~進化計算法・進化的機械学習など~

3.少ない学習データを用いる学習法
 3.1 データ分布を推定する方法
  ~ベイズ最適化・EMアルゴリズムなど~
 3.2 関数最適化問題として解く方法
  ~遺伝的プログラミング(GP)・CGP・GMAなど~
 3.3 1クラス学習を用いる方法
  ~1クラスSVM・AE/CAE/VAEによる方法など~
 3.4 深層回路の構造最適化に基づく方法
  ~深層回路の線形化・進化的最適化など~
 3.5 転移学習・蒸留・浸透学習を用いる方法
  ~知識の流用による少数学習など~
 3.6 進化計算法による処理構造の自動構築法
  ~処理構造の進化的最適化・セル型回路など~

4.データを水増しして学習する方法
 4.1 基礎的なデータ水増し法
  ~学習データに対する変換・ノイズ混入など~
 4.2 特徴空間を用いた水増し法
  ~特徴空間での分布特性の利用など~
 4.3 学習データを人工的に作る方法
  ~CG画像・シミュレータの利用など~
 4.4 フェイクデータの作成方法
  ~敵対的生成ネットワーク(GAN)の利用など~
 4.5 クラウドサービスを利用した学習データの収集
  ~人海戦術によるデータ増強など~

5.企業へのAI導入の実際
 5.1 AI導入時の注意点
  ~導入時の問題と解決方法など~
 5.2 AI導入を成功させるコツ
  ~AI人材の育成方法など~

6.まとめ・AIよろず相談室
  ~Q&Aとフリーディスカッションなど~