セミナー 印刷

マテリアルズ・インフォマティクスの基礎と実践事例
【LIVE配信】

機械学習を現実の製造業にどのように適用し、結果を最大化するかを学びたいと考えている方へ

受講可能な形式:【Live配信】のみ
実践事例を通じて、マテリアルズ・インフォマティクスのプロジェクトの進め方を理解し、自社のプロジェクトに応用する方法を習得できる!
日時 2025年8月28日(木)  10:30~16:30
受講料(税込)
各種割引特典
55,000円 ( E-Mail案内登録価格 49,500円 ) S&T会員登録とE-Mail案内登録特典について
定価:本体50,000円+税5,000円
E-Mail案内登録価格:本体45,000円+税4,500円
※サイエンス&テクノロジーが設定しているアカデミー価格対象外のセミナーです。
※サイエンス&テクノロジーが設定しているキャンセル規定対象外のセミナーです。
※ E-mail案内登録価格申込者には主催者のR&D支援センターからも無料でセミナー等の案内をお送り致します。
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55,000円 (2名ともE-Mail案内登録必須/1名あたり定価半額27,500円) 
主催(株)R&D支援センター
配布資料・セミナー資料は開催前日までにお送りいたします。
 無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。
オンライン配信・本セミナーは「Zoom」を使ったWEB配信セミナーとなります。

【Zoomを使ったWEB配信セミナー受講の手順】
1)Zoomを使用されたことがない方は、こちらからミーティング用Zoomクライアントをダウンロードして下さい。
  ダウンロードできない方はブラウザ版でも受講可能です。
2)セミナー前日までに必ず動作確認をお願いします。
  
Zoom WEBセミナーのはじめかたについてはこちらをご覧ください。
3)開催日直前にWEBセミナーへの招待メールをお送りいたします。
  当日のセミナー開始10分前までに招待メールに記載されている視聴用URLよりWEB配信セミナーにご参加下さい。
得られる知識・機械学習の基本的な原理とアプローチを理解できる。
・マテリアルズ・インフォマティクスのための機械学習応用技術と関連技術を理解し、これらを実務に組み込む方法を習得できる。
・実践事例を通じて、マテリアルズ・インフォマティクスのプロジェクトの進め方を理解し、自社のプロジェクトに応用する方法を習得できる。
対象特に予備知識は必要ありません。基礎から解説いたします。

素材・材料製造業で活躍する技術者、研究者、プロダクトマネージャー、および製造プロセスの革新を目指す企業の意思決定者を対象にしています。機械学習を現実の製造業にどのように適用し、結果を最大化するかを学びたいと考えている方に最適です。

セミナー講師

大阪公立大学大学院 情報学研究科 学際情報学専攻 教授 上杉 徳照 氏
<略歴>
 2005年 大阪府立大学大学院工学研究科マテリアル工学分野 助手
 2007年 同 助教、2013年 同 講師、2017年 同 准教授
 2019年 大阪府立大学大学院人間社会システム科学研究科 准教授
 2022年 大阪公立大学大学院情報学研究科学際情報学専攻 准教授
 2025年 大阪公立大学大学院情報学研究科学際情報学専攻 教授
<学協会>
 日本材料学会、情報処理学会、日本金属学会、人工知能学会、軽金属学会、日本鉄鋼協会、鋳造工学会など

セミナー趣旨

 製造業における技術革新を推進するために機械学習とマテリアルズ・インフォマティクスの活用に焦点を当てます。参加者は機械学習の基本原理やアプローチを学び、これらを実際の製造プロセスに適用する方法を理解する機会を得ます。特に、マテリアルズ・インフォマティクスで使用される機械学習の応用技術とその周辺技術について掘り下げ、これらを現場に組み込む具体的な事例を提示します。
 実践事例を豊富に取り入れることで、理論から具体的なプロジェクトへの応用までのステップを説明します。これにより、参加者はマテリアルズ・インフォマティクスプロジェクトの始め方を体系的に理解し、自社のプロジェクトに直接応用する能力を身に付けます。本セミナーは、新材料設計、材料製造プロセスの効率化、画像による材料検査の自動化を目指す技術者や研究者にとって、業務の質を向上させ、競争力を高めるための知識とスキルを提供します。

セミナー講演内容

1. 機械学習の基礎
 1-1. 人工知能と機械学習
 1-2. 機械学習の種類と流れ
 1-3. データの分割
 1-4. 過学習と交差検証
 1-5. ハイパーパラメータの最適化
 1-6. 精度評価指標
 1-7. ノーフリーランチ定理
 1-8. 線形回帰からニューラルネットワーク
 1-9. 深層学習
 1-10.データの質と量
 1-11.内挿と外挿

2.機械学習の応用技術
 2-1. 教師なし学習
 2-2. 説明可能AI
 2-3. 醜いアヒルの子の定理
 2-4. 特徴量エンジニアリング
 2-5. 正則化とデータ拡張
 2-6. 不均衡データ
 2-7. 転移学習
 2-8. 二重交差検証
 2-9. モデルの適用範囲

3.機械学習の周辺技術
 3-1. 機械学習の用途
 3-2. 因果推論
 3-3. 第一原理計算
 3-4. 逆問題と最適化
 3-5. 画像解析

4.製造業への応用
 4-1. アンチパターンから学ぶ
 4-2. データ活用人材
 4-3. 銀の弾などない
 4-4. 開発環境

5.実践事例
 5-1. 添加剤の歩留まり最適化
 5-2. 外観検査への応用
 5-3. 破面解析への応用
 5-4. 第一原理計算からの転移学習
 5-5. 合金組成の最適化