０．はじめに
　0.1 フィジカルAIと生成AIの違い
　0.2 知的センシングのフィジカルAIにおける位置づけ
 
１．人工知能(AI)と脳の情報処理
　1.1 人工知能(AI)について
　　1.1.1 人工知能(AI)とは
　　1.1.2 脳の情報処理とニューラルネットワーク
　1.2 機械学習とニューラルネットワーク
　　1.2.1 機械学習(Machine Learning)の基礎
　　1.2.2 機械学習・深層学習・ニューラルネットワーク
　1.3 機械学習とニューラルネットワークの各種モデル
　　1.3.1 相互結合型ニューラルネットワークモデル
　　1.3.2 階層型ニューラルネットワークモデル
　1.4 深層学習とディープランニング
　　1.4.1 深層学習と転移学習
　　1.4.2 代表的なディープラーニング
　1.5 深層学習とビックデータ
　　1.5.1 良質な学習データが必要  
　　1.5.2 公開された巨大なデータセットを積極的に利用
 
２．ニューラルネットワークの各種モデルとその知能化センシングへの応用例
　2.1 相互結合モデルと応用例
　　2.1.1 セルラーニューラルネットワーク(CNN)と異常音検出への応用
　　2.1.2 動的ネットワーク(DRN)とセンサフュージョンへの応用
　　2.1.3 自己組織マップネットワーク(SOM)と音源定位への応用
　　2.1.4 ベイジアンネットワークと運転危険度予測への応用
　2.2 階層型モデルと応用例
　　2.2.1 階層型ニューラルネットワークと肝臓病識別問題への応用
　　2.2.2 サポートベクトルマシンとプリント基板欠陥検査への応用
　　2.2.3 階層型ニューラルネットワークと特徴抽出における次元削減への応用
　　2.2.4 階層型ニューラルネットワークと漫然運転の時系列予測問題への応用
 
３．ディープラーニングの一種である畳み込みニューラルネットワークと応用例
　3.1 畳み込みニューラルネットワーク
　　3.1.1 多層型ニューラルネットワークの限界
　　3.1.2 畳み込みニューラルネットワーク(CNN)の原理
　　3.1.3 これまでに提案された代表的なCNNの各種
　　3.1.4 CNNの水道管漏水検出への応用例
　　3.1.5 CNNの一種であるOpenPoseの運転行動抽出への応用例
　3.2 Mask R-CNNとその表面検査システムへの応用
　　3.2.1 CNNの表面検査への応用例
　　3.2.2 CNNのみ検査システムの課題点
　　3.2.3 Mask R-CNNの特徴
　　3.2.4 Mask R-CNNを用いる表面自動検査システムの構成
　　3.2.5 画像計測部の基本構成
　　3.2.6 欠陥検査部の構成と構築
　　3.2.7 欠陥検出精度の評価
　3.3 人工知能の歴史と適用範囲
　　3.3.1 人工知能（AI）の歴史
　　3.3.2 人工知能（AI）の適用範囲
 
４．まとめ

　□ 質疑応答 □