RapidMiner 異常検知編
難易度
★★★★
製造業の現場では、異常データがほとんど観測されず、正常データのみを使って異常判定を行うことを求められることが少なくありません。本講座では、異常検知に関する手法の原理を知り、RapidMinerのオペレーターを用いて異常検出を行えるようになること、閾値の設定や異常検知モデルの評価を根拠を持って行うことができるようになることを目標としています。演習に加え、手法のイメージを掴んでいただくための例題もご用意しております。
対象者
異常検知に関心がある方 異常検知に携わっている方
所要時間
第1章 77分 ｜第3章 121分 ｜第4章 13分 ｜第5章 92分 ｜第6章 114分
※実際の所要時間は、ハンズオン含め約2倍程度かかります。
習得内容
異常検知の手法・概要を理解する
RapidMinerのオペレータを使って異常検知モデルを作成できる
自分自身が今後関与する可能性があるプロジェクトについてモデル運用までイメージできる
コース内容
| 第1章 | 異常検知とは／距離計算（ユークリッド距離、マハラノビス距離）／異常値を検出するメリット／ データ構造と手法（HBOS、ホテリングT2統計量、k近傍法、rPCA、LOF、スライド窓による異常検知、 One Class SVM、AutoEncoder）／異常検知モデル構築の流れ／閾値の設定 |
|---|---|
| 第3章 | 0. 事前準備 Pythonの環境構築／Extensionのインストール／リポジトリのインポート 1. 分析課題の説明 残存耐用期間(RUL)予測とは／航空機ターボファンエンジンのデータセット／可視化 2. 分析アプローチ 分析の流れ／移動平均スムージング／変数選択／Health Indicator／指数劣化モデル／ テストデータの前処理／RULの予測／今後の展望 |
| 第4章 | 異常検知（時系列データ）／アプローチ手法の検討 Windowing／ k近傍法・LOF・One Class SVMによる異常検知 演習 |
| 第5章 | 1. Autoencoderとは ニューラルネットワーク／ Autoencoderの仕組み／Autoencoderを用いた異常検知／ Autoencoderを用いたノイズ除去／事例紹介／Autoencoderオペレーターの説明 2. 心拍波形データを用いた異常検知 データの説明・準備／Autoencoderでの学習／オペレーターの設定、誤差の計算／ Autoencoderの適用／Apply Model(Generic) 異常スコアの算出 閾値の検討 3. 画像(MINIST)データのノイズ除去 データの説明・準備／データの前処理／データ読み込み、形状変更 Autoencoderの学習／Autoencoderの適用／データの後処理 |
| 第6章 | 異常検知モデルの構築と運⽤ 「振動データを⽤いた異常検知」分析課題の説明 波形の解析：三角関数／三⾓関数の時間変化／波の合成／FFT／プロセスへの展開と適用 分析アプローチ：異常検知プロセス構築／分析結果の可視化 モデル運用イメージ：構築例の紹介 ※付録動画では、Raspberry Piを使った実用的な異常検知システム構築の例を解説しています。 |
※その他の章は近日公開予定です。
