〇自動運転などをはじめとして必要とされる「説明できるAI」などの

ポイントを踏まえながら、統計・機械学習で異常検知を行うための

基礎知識・活用の方法を解説。

〇異常のデータが多い・少ない・データがない時に取るべき手法、

そもそも異常データを集める際の注意点など、実務に役立つ内容となっています。

統計解析と機械学習による異常検知

【提携セミナー】

主催：株式会社情報機構

データから、常とは異なるものを発見する「異常検知」のさまざまな手法について、複雑な数式は使わずに、その考え方、手法の使い分け、実行方法について解説します。

◆受講後、習得できること

• 異常検知のための各手法の考え方と使い分け
• 誤検知確率の評価と対処法
• 異常検知実装時のポイント

◆受講対象者

• 異常値を含むデータをお持ちで、その中からのデータから異常の検出方法にお困りの方
• 最近の機械学習手法の概略に興味のある方
• 異常検知を取り入れたいとお考えの方

◆必要な予備知識など

• 特に必要ありません。

◆講演中のキーワード

判別分析、サポートベクターマシン(SVM)、One Class SVM、マハラノビスの距離、MT法、ROC曲線

担当講師

滋賀大学 データサイエンス学部　教授
兼　データサイエンス教育研究センター長　笛田　薫　先生

セミナープログラム（予定）

1. 異常検知を行う際に必要な機械学習と統計の基礎知識
1) 統計と機械学習で何ができるのか
2) 具体例を交えたデータ活用のプロセス
3) モデルの説明性と精度
4) 教師あり学習と教師なし学習
5) 回帰モデル
a) 訓練データと評価データ
b) 交差検証法による変数選択
c) 多重共線性による悪影響とその対処法
d) どのモデルを使用するかのポイント
6)決定木
7)クラスタリング
a) 判別分析とクラスター分析の違い

2.異常検知の考え方
1) 異常例のデータがある場合：判別分析
a) 判別分析の過学習
2) 異常例のデータがない場合：外れ値検出
3) 異常例が少ない場合：ベイズの公式
異常例が少ないと生じる問題とその対処法
4) 異常度の決定：性能評価と閾値の設定
a) 異常の見逃しを避ける閾値設定のポイント
b) 正常標本精度
c) 異常標本精度
d) ROC曲線
5) データの集め方の注意点

3.機械学習・統計による異常検知の各種手法、およびそれぞれの応用事例
1) 異常例のデータがある場合：判別分析
a) ロジスティック回帰
b) 線形判別と2次判別
c) サポートベクターマシン(SVM)
2) 異常例のデータがない場合：外れ値検出
a) 正規分布を用いた単変量異常検知
b) 多変量異常検知：マハラノビスの距離とMT法
c) One Class SVM

4. まとめ

公開セミナーの次回開催予定

開催日

未定

開催場所

未定

受講料

未定

オンライン配信のご案内

★　Zoomによるオンライン配信

については、こちらをご参照ください

備考

• 配布資料は、印刷物を郵送もしくはメール送付のどちらかを検討中です。
  お申込については4営業日前までのお申込みを推奨します。
  それ以降でもお申込みはお受けしておりますが（開催1営業日前の12:00まで）、
  テキストが郵送となった場合、資料の到着がセミナー後になる可能性がございます。

• 当日、可能な範囲で質疑応答も対応致します。
  （全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
• 本講座で使用する資料や配信動画は著作物であり
  無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。

お申し込み方法

★下のセミナー参加申込ボタンより、必要事項をご記入の上お申し込みください。