～データが少ない場合でも有効な機械学習を行うには～
少ない学習データでも有効に活用できる機械学習の方法を分かりやすく解説関数推定、異常検知、深層学習、進化的機械学習、学習データの水増し方法、、、、
日時
【Live配信】2024年8月2日（金） 10:30～16:30【アーカイブの視聴期間】2024年8月5日(月)～8月11日(日)まで 受講可能な形式【ライブ配信(アーカイブ配信付)】のみ
セミナー講師
横浜国立大学 総合学術高等研究院 上席特別教授 工学博士 長尾 智晴 氏(所属ユニット：革新と共創のための人工知能研究ユニット)YNU人工知能研究拠点長・(株)マシンインテリジェンスCTO教育補助：環境情報学府情報環境専攻／理工学部情報工学EP略歴東京工業大学大学院総合理工学研究科出身，東京工業大学工学部助手，助教授を経て2000年から横浜国立大学大学院教授，現在に至る．2008年に横浜国立大学発ベンチャーである(株)マシンインテリジェンスを起業して取締役CTOを兼任中．産学連携に力を入れており，これまで累計120社以上，常時5～10社の企業などと共同研究を実施中．専門知能情報学・知能ロボティクス
セミナー受講料
※お申込みと同時にS&T会員登録をさせていただきます(E-mail案内登録とは異なります)。
55,000円( E-mail案内登録価格52,250円 )E-Mail案内登録なら、2名同時申込みで1名分無料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)
【1名分無料適用条件】※2名様ともE-mail案内登録が必須です。※同一法人内(グループ会社でも可)による2名同時申込みのみ適用いたします。※3名様以上のお申込みの場合、１名あたり定価半額で追加受講できます。※請求書（PDFデータ）は、代表者にE-mailで送信いたします。※請求書および領収証は1名様ごとに発行可能です。 (申込みフォームの通信欄に「請求書１名ごと発行」と記入ください。)※他の割引は併用できません。
■■■ 1名様で、7月1日申込み受付分から ■■■ テレワーク応援キャンペーン(1名受講)【オンライン配信セミナー受講限定】 1名申込みの場合：受講料( 定価：41,800円／E-mail案内登録価格 39,820円 )※１名様でオンライン配信セミナーを受講する場合、上記特別価格になります。※他の割引は併用できません。
受講、配布資料などについて
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）アーカイブ配信 ►受講方法・視聴環境確認（申込み前に必ずご確認ください）
配布資料
セミナー趣旨
業務で深層学習（ディープラーニング）などの機械学習を利用する際、データが少なくて学習できなかったり、信用性が低い深層回路が作られたりする問題が発生します。また、例えば製品の画像による欠陥検査では、正常例は多数集めることができても欠陥を含む異常例はごく少数しか集めることができない場合が多いです。また、そもそもデータの取得に多大な人的・時間的コストが必要な場合もあります。このような場合、結局、機械学習や深層学習の利用をあきらめてしまうことがあり、企業の業務へのAI導入を妨げる大きな要因の一つになっています。本セミナーは、そのようにデータが少ない場合でも、有効な学習を行う機械学習の方法を紹介することを目的としています。数式はできるだけ使わず、考え方や原理、要点が分り易い平易な説明を心掛けますので、人工知能や機械学習に対して特に予備知識がない方や、技術職ではない方でも受講可能です。AIを業務に導入する際の注意点も扱いますし、最後にAIに関する様々な質疑応答やディスカッションを行う「AIよろず相談コーナー」もご用意しましたので、AIにご興味がある方はぜひお気軽にご参加下さい。
受講対象・レベル
人工知能や機械学習、深層学習の業務への導入を考えておられる多くの方々
習得できる知識
・人工知能（AI）・機械学習の現状と課題・深層学習（ディープラーニング）の原理と課題・少数データを用いた機械学習の手法・業務へのAI導入の秘訣
セミナープログラム
1．機械学習の現状と課題 1.1 人工知能と機械学習 1.2 深層学習（ディープラーニング）概論 1.3 生成系AI・説明可能AI:XAI 1.4 少量データを用いた機械学習とは？2．少量データを用いた機械学習1：関数推定 2.1 最適値探索問題とその解法 2.2 ベイズ最適化に基づく関数推定 2.3 遺伝的プログラミング（GP）による関数推定 2.4 CGP（Cartesian GP）による関数推定3．少量データを用いた機械学習2：異常検知 3.1 1クラスSVM（Support Vector Machine） 3.2 データの特徴空間を用いた異常検知 3.3 異常検知における学習データの水増し方法 3.4 時系列信号に対する異常検知4．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 4.1 CG（Computer Graphics）を用いた機械学習 4.2 生成系AIによる学習データの水増し 4.3 既存NNの知識の活用：転移学習と蒸留 4.4 浸透学習（Percolative Learning）とその応用5．少量データを用いた機械学習4：進化的機械学習 5.1 進化計算法の原理と特徴 5.2 処理プロセスの自動生成 5.3 分かり易い分類器の自動生成 5.4 ルール集合の学習6．AIの業務への導入方法 6.1 AI導入時の注意点 6.2 AI人材の育成方法について7．まとめ・AIよろず相談コーナー
