7/31 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

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/

　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。

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□

※詳細・お申込みは上記

「お申し込みはこちらから」（遷移先WEBサイト）よりご確認ください。