１．はじめに
1-1 異常検知・予知保全の必要性
1-2 異常検知・予知保全で直面する課題
1-3 データ解析のワークフロー
２．データの前処理その１
2-1 欠損値
2-2 外れ値
2-3 平滑化
３．データの前処理その２
3-1 周波数解析
3-2 時間－周波数解析
3-3 特徴抽出
（1）時間領域
（2）周波数領域
（3）時間－周波数領域
（4）ウェーブレット領域
（5）ドメイン知識の活用
４．異常検知
4-1 時間とともに徐々に変化するデータ（振動データ）
4-2 突発的な変化を有するデータ（AEセンサー）
4-3 広い周波数成分を有し振幅が変動するデータ（音データ）
4-4 周期的な変化点を有するデータ（心電図）
５．故障予測：一歩先の異常検知
5-1 確率過程モデル
（1）健康指標（劣化度）の作成
（2）モデルの構築と残寿命予測
5-2 機械学習・深層学習モデルによる残寿命予測
（1）1次元畳み込みニューラルネットワーク
（2）LSTM（Long Short-Term Memory）
（3）アプリ・回帰学習器を用いたモデルの自動作成
６．モデルの精度向上
6-1 ハイパーパラメーターの最適化
6-2 モデル間の比較
７．教師なし異常検知
7-1 オートエンコーダー
7-2 クラスタリングと次元削減
7-3 半教師あり学習によるデータのラベリング
８．実装と展開
8-1 簡単なアプリの作成
8-2 MATLABを用いたモデルの展開方法
8-3 他言語連携
8-4 事例紹介
※上記は講演プログラムの一例です。
当日は上記の内容を資料に含めた形でハンズオンをご体験いただきます。
順不同である点をご留意ください。