1～5 件を表示 ／ 全 5 件
AIの実践的活用に向けてデータから異常を見つける際に有効な特徴量の例を紹介
機器の故障時期を予測してメンテナンスを実施する予知保全の取り組みが 注目を浴びており、技術者の勘・コツ・経験をAIで補完する観点からも、 今後予知保全のニーズは更に高まることが予想されます。 当ホワイトペーパーでは、時系列データから異常を見つける際に有効な 特徴量の例をご紹介しております。 その他にも、機械学習の限界をはじめ、システムへの統合の観点から見た 特徴量などを掲載しています。 【掲載内容(抜粋)】 ■機械学習の限界 ■故障予測を可能にする特徴量例 ■システムへの統合の観点から見た特徴量 ■まとめ ※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。
ニ項分類とマルチクラス分類など！教師あり学習の応用について掲載しています
教師あり学習アルゴリズムは、既知の入力データセット(学習用データセット)と そのデータに対する既知の応答(出力)を利用してモデルの学習を行い、新たな 入力データに対する応答としてモデルが合理的な予測を導き出せるようにします。 予測しようとする事象について、既存の応答(出力)データがある場合は、 教師あり学習を使用します。 資料では、教師あり学習の手法をはじめ、ニ項分類とマルチクラス分類や 一般的な分類アルゴリズムなどを掲載しております。 【掲載内容】 ■どんな時に教師あり学習を検討するべきか ■教師あり学習の手法 ■適切なアルゴリズムの選択 ■ニ項分類とマルチクラス分類 ■一般的な分類アルゴリズム ※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。
使用するアルゴリズムの決定方法や実世界の事例など！機械学習についてご紹介しています
機械学習とは、人間や動物にとって当たり前のことをコンピュータに教える ということを意味します。 機械学習のアルゴリズムでは、モデルと呼ばれる事前に定められた方程式に 頼らずに、計算的な手法を使ってデータから情報を直接学び取ります。 こうしたアルゴリズムは、学習に使えるサンプル数の増大に伴って、 適応的にその性能を向上させるようになっています。 資料では、機械学習の種類をはじめ、使用するアルゴリズムの決定方法や 実世界の事例などを掲載しております。 【掲載内容】 ■機械学習とは？ ■もっと多くのデータ、もっと多くの質問、そして、より良い回答 ■機械学習の種類 ■教師あり学習 ■教師なし学習 ※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。
機械学習の体系的なワークフローについて説明いたします
機械学習においては、最初から最後まで迷わず一直線に進むということは めったにありません。 常にさまざまなアイデアや方法を繰り返し試すことになるでしょう。 資料では、いくつかの重要な決定ポイントに注目しつつ、機械学習の 体系的なワークフローについて説明します。 【掲載内容】 ■一直線に進むことはめったにない ■機械学習の課題 ■始める前に考慮すべき点 ■ワークフローの概要 ■身体活動の分類を行うモデルのトレーニング ※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。
データに合った適切なアルゴリズムを選択するためのヒントなどをご紹介！
教師なし学習は、データについて詳しく調べたいけれども、その結果何が 分かるのか具体的な目標が定まっていない場合や、データに含まれている情報が はっきりしない場合に役立ちます。 資料では、教師なし学習で用いるハードクラスタリングとソフトクラスタリングの アルゴリズムについて詳しく解説いたします。 また、データに合った適切なアルゴリズムを選択するためのヒントや、 データセット内の特長量の数を減らしてモデルの性能を改善する方法をご紹介します。 【掲載内容】 ■どんな時に教師なし学習を検討するべきか ■教師なし学習手法 ■一般的なハードクラスタリングアルゴリズム ■一般的なソフトクラスタリングアルゴリズム ■次元削減によるモデルの改善 ■一般的な次元削減手法 ※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。
