セミナー概要
セミナーのテーマ
- 時系列データの特性と前処理
- 特徴量エンジニアリングと可視化
- 機械学習による時系列予測と異常検知
こんな方におすすめです
- IoT・製造業の技術者
- データサイエンティスト・機械学習エンジニア
- Pythonを使ったデータ処理を学びたいエンジニア・研究者
| セミナータイトル | センサから取得した時系列データの処理・解析技術と機械学習の適用 |
| 開催日時 | 【オンライン配信】 ・このセミナーはアーカイブ付きです。 |
| 開催場所 | オンライン 【オンライン配信】 |
| 受講料 | 55,000円 各種割引特典あり。詳しくは主催会社のサイトをご参照ください。 |
| 主催 | サイエンス＆テクノロジー |
| 備考 | 配布資料はPDFデータ(印刷可・編集不可) ※開催2日前を目安に、主催会社様HPのマイページよりダウンロード可となります。 |
センサから取得した時系列データの処理・解析技術と機械学習の適用
～データの前処理、特徴抽出・エンジニアリング、機械学習による予測・異常検知など～
～Pythonを用いた演習を含めて解説～
時系列データに潜在する重要な情報を取り出し、有効活用するために！
データ取得から解析までの流れ、時系列データの特性、データの前処理、特徴量エンジニアリング、機械学習の適用（時系列予測・異常検知）とその事例まで。センサから取得した時系列データの適切な処理・解析技術を事例を踏まえて解説。
実際のデータセットを用いたPythonの演習も実施します。
【演習について】
Pythonを使用した演習では、「Google Colab」を使用しますので、Googleアカウントをご準備ください。
演習で使用するテンプレートファイルとデータは資料と一緒に配布する予定です。
別途インストールが必要なものがございますが準備中ですので、あらためてご案内いたします。
※PCは一般的なスペックで問題ございません。
※上記のご準備が難しい方は、当日は講師の実演を見て学習していただくかたちとなります。
講師
群馬大学 大学院理工学府・理工学部 理工学教育センター 准教授 博士(工学) 茂木 和弘 氏
専門：人工知能，並列分散システム，組込みシステム
1993 年 4 月 群馬大学工学部情報工学科 助手
2007 年 4 月 群馬大学大学院工学研究科生産システム工学専攻 助教
2013 年 4 月 群馬大学理工学研究院知能機械創製部門 助教
2014 年 4 月 群馬大学学術研究院（大学院理工学府知能機械創製部門） 助教
2024 年11 月 群馬大学大学院理工学府・理工学部 理工学教育センター 准教授
ホームページ：https://researchers-info.st.gunma-u.ac.jp/mst_motegi_kazuhiro/
セミナー趣旨、ポイント
近年、センサ技術の発展により、さまざまな分野で高頻度・高精度な時系列データを取得できるようになった。これに伴い、膨大なデータをどのように処理し、解析するかが重要な課題となっている。このデータを適切に処理・解析しなければ、有効活用できない。現在と過去の情報から将来の情報を予測することは、設備の予知保全や異常検知、商品の需要予測、または交通量の予測等の多くの場面で求められている。
本講演は、時系列データの前処理、多変量を含めた時系列データからの特徴抽出、これらの解析手法に加え、機械学習を活用した予測モデルの適用について紹介する。実際に、プログラミング言語Pythonを使用した解析の演習を行う。
特に、時系列データの前処理、特徴抽出・エンジニアリング、機械学習による予測・異常検知、実際の適用事例に焦点を当てる。時系列データに潜在している重要な情報を、可能な限り取り出し、実用的な知見を得ることを目的としたい。
こんな方におすすめ
本講演は、時系列データの処理や機械学習の適用に関心がある方におすすめです。具体的には、IoT・製造業の技術者、データサイエンティスト・機械学習エンジニア、交通・物流業界の関係者、Pythonを使ったデータ処理を学びたいエンジニア・研究者等の方々に対して有益な内容になると思います。本公演はプログラミング言語Pythonを用いた演習を含むため、基礎的なプログラミング知識があると、より理解が深まります。
得られる知識
本講演を通じ、参加者は単なる理論だけでなく、以下のような重要な知識やスキルを習得できることを期待します。
１．時系列データの基本的な理解
２．データの前処理と特徴抽出
３．機械学習の適用
４．実際の適用事例と演習
プログラム
１．時系列データの重要性
1.1 時系列データは重要
1.2 応用分野は多数
1.3 データ取得から解析までの流れ
２．時系列データの特性と前処理
2.1 時系列データはどのような構造か
2.2 前処理は必須
2.3 多変量時系列データを扱うには
2.4 Pythonによるデータの前処理
３． 特徴量を見つけデータを可視化したい
3.1 時系列データの特徴量エンジニアリング
3.2 異常検知の手法
3.3 Pythonによるデータの可視化
４．機械学習の適用
4.1 統計的手法と機械学習の比較
4.2 機械学習による時系列予測
4.3 深層学習による時系列予測
4.4 異常検知の手法
4.5 Pythonによる異常検知
５．事例紹介
5.1 製造業の異常検知
5.2 実際のデータセットを用いたPython演習
６．まとめ
□質疑応答□