RapidMiner（ラピッドマイナー）は機械学習プラットフォームです。データ可視化、データ加工、モデル作成、評価、運用までを一つのプラットフォームで行うことができます。KSKアナリティクスはRapidMinerの正規販売代理店です。
太陽光発電や風力発電など気象条件に影響される再生可能エネルギー電源の増加に伴い、その発電量を含めた電力の需給管理が求められています。発電量を正確に予測できれば、予測値と実測値の乖離度から太陽光パネルの異常発生の推測や、モデルを用いて発電量悪化原因の判断や異常検知を行うことも可能になります。本課題では、過去の気象予報情報などから一日先の太陽光発電量を予測して頂きます。
需給管理と異常検知を分析テーマとして持っており、実践力を高めたい方 明確な分析課題に挑戦したい方
2週間〜1ヶ月程度
要因をイメージし、生データから特徴量設計できる
様々なパターンの予測モデルを作成し、吟味・検討できる。
Transformerとは、自然言語処理や画像認識の分野などで利用されている深層学習ネットワークの一つです。本講座はTransformer入門コースであり、概要理解、実装の確認を行なっていただくことができます。
自然言語処理や画像認識に関心のある方
約38分
Transformerについて学習する
| 自然言語処理編 | Transformerとは／BERTの仕組み／文書の前処理／文書の分類（推論）
文書の分類（学習と推論）／まとめ |
|---|---|
| 画像認識編 | Transformerとは／ViTの仕組み／画像の前処理／画像の分類（推論）
画像の分類（学習と推論）／まとめ |
製造業における画像の異常検知の課題とその対処方法について学習します。異常画像検知において最高性能を示した手法PatchCoreの概要と有用性 もご説明します。
製造現場で画像の異常検知課題をお持ちの方
約140分
製造業における画像の異常検知の課題とその対処方法について学習する
| 第1章 | 製造業における画像の異常検知
課題背景／異常画像検知と異常部位検出／画像の異常検知へのアプローチ 画像の異常検知システムにおける評価指標／教師なし学習による画像の異常検知 |
|---|---|
| 第2章 | 最新論文の紹介
論文概要／PatchCoreのシステム概要／この手法が優れている点／実験概要／実験結果 |
| 第3章 | PatchCoreの技術詳細
Locally aware patch features／Coreset Subsampling／Anomaly ScoreとAnomaly Mapの算出 |
| 第4章 | BeanTech ADにPatchCoreを適用する
実行環境／BeanTech AD Dataset ／事前準備／PatchCoreの学習／PatchCoreの推論／結果の可視化 AUPROの実装／閾値の決定と可視化 |
| 第5章 | 公式実装のコード理解／参考文献 |
機械学習モデルの説明可能性・解釈可能性についてご説明します。本講座がカバーする領域は表形式になります。
説明可能性について学習したい方
※資料のみ
機械学習モデルの説明可能性・解釈可能性について学習する
| 第1章 | 機械学習モデルの説明可能性・解釈可能性
XAI⼿法（SHAP、LIME）／相互作⽤の可視化（PDP、ALE） |
|---|---|
| 第2章 | スタッキング手法を用いた説明可能性 |
推薦システムはの概要についてご説明した後、RapidMinerで実装します。
推薦システムとは何かを知りたい方
RapidMinerで実装したい方
43分
AutoModelとTurboPrepの使い方を学習する
| 第1章 | レコメンデーションとは／協調フィルタリング（メモリベース・モデルベース）の仕組みと実装／
内容ベース・フィルタリングの実装 |
|---|---|
| 第2章 | RapidMiner操作動画 ｜ 協調フィルタリングの実装：メモリベース |
| 第3章 | RapidMiner操作動画 ｜ 協調フィルタリングの実装：モデルベース |
| 第4章 | RapidMiner操作動画 ｜ 内容ベース・フィルタリングの実装 |
素早く簡単に前処理を行う「Turbo Prep」と自動モデル構築・評価する「Auto Model」について説明しています。
AutoModelとTurboPrepの使い方を知りたい方
240分
AutoModelとTurboPrepの使い方を学習する
| AutoModel編 | AutoModelとは／RapidMiner操作動画 |
|---|---|
| TurboPrep編 | TurboPrepとは／RapidMiner操作動画 |
機械や設備の状態を監視して故障や不具合の兆候が出たらメンテナンスを行う予知保全の取り組みは製造業における重要な分析テーマです。AI（機械学習・深層学習）を活用することにより、予知保全を効果的・効率的に実施し、少ない人員でメンテナンス活動を実施することが可能になり、勘や経験ではなく、定量的に不具合の兆候を捉えることができます。本課題では、ロボットのセンサーデータを用い機械学習モデルを作成し、故障が出そうなロボットを特定して頂きます。
予知保全を分析テーマとして持っており、実践力を高めたい方 製造業の分析テーマに挑戦したい方
2週間〜1ヶ月程度
要因をイメージし、生データから特徴量設計できる
様々なパターンの予測モデルを作成し、吟味・検討できる。
製造業の開発現場では、スペクトルデータから対象の物性値や品質値との関係（パターン）を機械学習の手法により学習させ、計測作業などの業務効率化が狙えます。本コンテスト課題では、RapidMiner基礎編やIoT編で習得頂いた内容を実際に活用し、スペクトルデータから特徴量を抽出し、予測モデルを作成して頂きます。最後に、評価データを用いて、スコアを確認した上で、プロセス作成例（回答例）もご確認頂けます。実践的な内容をご準備致しましたので、是非、挑戦してみてください。
スペクトルデータに関心がある方 基礎編を受講し、実践力を高めたい方
2週間〜1ヶ月程度
独力で特徴量の設計を行うことができる
どのアルゴリズムが適当か比較しながら最良のものを発見することができる
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。
異常検知に関心がある方 異常検知に携わっている方
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。
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
| 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。
本講座では、需要予測の基本的なアプローチ方法について全体像を理解頂いた上で、演習形式で時系列モデル、機械学習モデルを作成します。日々変化する可能性が高い需要予測モデルをどのように管理、メンテナンスしていくべきか、自分なりに検討することができるようになるはずです。
需要予測に関心がある方 需要予測に関わっている方
約90分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
需要予測モデルを独力で作成できるようになる。
予測モデルの管理・メンテナンス方法を検討できるようになる。
| 第1章 | 需要予測概説／需要予測の目的／ 需要予測の種類／様々な需要予測のアプローチ（時系列モデル、機械学習モデル、判断モデル）／モデルの精度評価指標／MAPEの算出／事例研究／誰が需要予測をやるのか／需要予測とセンシング |
|---|---|
| 第2章 | 時系列モデルーみかん卸売数量予測ー／課題設定／ARIMA, HoltWinters／Forcast Validation／トレンドの分解／RapidMinerでの実装 |
| 第3章 | 機械学習モデルー電力需要予測ー／課題設定／データの理解／過去データの特徴量設計／対数変換／アルゴリズムの検討 |
深層学習編にて、テキスト分析についてご紹介しましたが、本講座では日本語のテキスト分析についてより実践的な課題を扱います。具体的には、RapidMinerのみ（Python連携せずに）で日本語の形態素解析を行いテキストの分類を行います。また、One Hot Encodingでは難しい分散表現を用いた深層学習モデルの作成を行います。日本語テキストを使ってノンプログラミングでより高度な実践例をご紹介しております。
日本語でのテキスト分析をノンプログラミングで行いたい方
約120分
テキストデータのハンドリングができるようになる。
テキストデータを使ったより精度の高い予測ができるようになる。
| 第1章 | 事前準備／形態素解析／環境設定／ブログキーワドの可視化／科学研究論文の分類／特許検索／問合せ情報の分類／ニュース記事の分類／RapidMinerでの実装 |
|---|---|
| 第2章 | 類似文章の抽出／類似性を評価／類似度算出の手順／TF-IDF／コサイン類似度／RapidMinerでの実装／t-SNE／可視化 |
| 第3章 | 単語のベクトル表現／Word2Vec／本のタイトルの分類／形態素解析／分散表現（Embedding）／深層学習（LSTM）／深層学習モデル作成と検証／モデルの検証／パラメーターチューニング |
教師なし学習の一つとして、AutoEncoderという古典的な手法があります。既に異常検知の分野では、確立された手法として実務現場での活用も進んでいます。コンテストや論文でもAutoEncoderで行った手法との比較がなされ、ベースラインとして紹介されることの多い手法となります。
本講座では、Pytorchライブラリを用いて音の異常検知を行います。ソースコードの詳細についても説明しています。
※本講座の位置付けとしましては、AutoEncoderより高精度な手法をご紹介するにあたっての基本講座となります。
異常検知についてさらに理解を進めたい方
約120分
AutoEncoderの基礎が理解できる
| 第1章 | MIMII データセットについて／ライブラリインポート／学習データとテストデータの確認／音を再生する／音声ファイルの読み込みとプロパティの確認／音声データの波形表示／メルスペクトログラム |
|---|---|
| 第2章 | ライブラリインポート／AutoEncoderのネットワークを定義する／AutoEncoderの動作検証 |
| 第3章 | ライブラリインポートと初期設定／モデルを学習する／パラメータのロードとその他の設定／Datasetの作成／DataLoaderの作成／モデルの定義 / 損失関数と最適化手法の設定／モデルの学習／モデルの検証／閾値の設定／再構成結果の可視化／考察／演習課題 |
社会科学、自然科学、知識グラフなど多くの分野でグラフ形態の機械学習がますます注目を浴びてきています。画像や自然言語をグラフ（ネットワーク構造）として捉え、グラフやグラフ中の頂点を高精度に分類することができれば、高度な画像認識、化合物分類などへの応用が期待できます。本講座では、グラフニューラルネットワークの基本から丁寧に説明しています。
グラフニューラルネットワークに関心のある方
グラフニューラルネットワークの基礎を習得したい方
約24分
グラフニューラルネットワークの基礎が理解できる
| 第1章 | ネットワークとは／ネットワークの形状／ネットワークの活用例 |
|---|---|
| 第2章 | ネットワークの作成／隣接行列とは／隣接行列の作成／エッジリストの作成／ ネットワークの構築と可視化 |
| 第3章 | ネットワークの特徴量／次数とは／クラスタ係数とは／経路⻑とは／媒介中心性とは |
| 第4章 | ネットワークのコミュニティ／コミュニティとは／コミュニティ抽出 |
| 第5章 | ノードの分類・予測／グラフ畳み込み／ネットワーク作成／分類モデルの学習／ノードのクラス予測／モデルの性能評価（Backpropagation） |
学習済みモデルを転用することで、学習にかかる時間を削減することができ、少量のサンプルでも予測精度の高い学習モデルを作成することができる転移学習の方法について説明しております。Fine-Tuningオペレーターの使い方など転移学習に必要不可欠なオペレーターの説明を行なっています。 演習では、圧延鋼の画像を用いた傷の有無の判別を取り上げ、実装していきます。
RapidMinerで深層学習を習得したい方 画像を扱っており、転移学習の実装例を知りたい方
約35分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。（モデル学習時間は除く）
分析結果のまとめ方の形式を理解できる。
まとめ方の要点が分かる。
| 第1章 | ニューラルネットワークの復習 |
|---|---|
| 第2章 | 転移学習とは |
| 第3章 | RapidMiner 転移学習オペレーターの紹介／Import Existing Model／Fine-Tune Model |
| 第4章 | 演習 |
本講座では、RapidMinerで実施した分析結果をどのように報告書にまとめ、報告すれば良いかのかをご紹介します。自力で分析結果を報告書にまとめようとすると、本来報告すべき内容が漏れていたりする場合があります。本講座には、報告書のテンプレート（ppt形式）もついていますので、穴埋め形式で報告書を作成することも可能です。分析結果を広く共有し、組織としての分析力を高めるために本講座をご活用下さい。
RapidMinerの分析結果をどのように報告すれば良いか悩んでいる方
分析結果の報告方法のポイントを知りたい方
約45分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
分析結果のまとめ方の形式を理解できる。
まとめ方の要点が分かる。
| 第1章 | 本コースの目的と受講対象者／対象とコースの目的 |
|---|---|
| 第2章 | プロジェクトメンバーの役割／プロジェクトメンバーの構成 |
| 第3章 | プロジェクトの選択／プロジェクトの選択 |
| 第4章 | 報告書の作成方法／タイトル、概要（サマリー）／はじめに／取得データの概要／目的と成功の指標／プロジェクトメンバーの役割／ソフトウェアの実行環境／データの準備／モデル作成、モデルの評価／運用・展開／今後の課題 |
| 第5章 | リポジトリの整理方法／プロセスの整理／Project Extensionの活用／共有時の注意事項 |
| 第6章 | 模範的なプロジェクト報告／例）センサーデータによる油圧機器の状態監視報告書 |
本講座では、教師なし学習の概要と教師なし学習のRapidMinerでの活用例をご紹介します。ご自身のデータにラベル（目的変数）が存在し、教師あり学習を実施できる場合ばかりではありません。ラベル（目的変数）が存在しない場合、どのような手法があるか、RapidMinerではどのような実現方法があるのかについてご説明致します。
教師なし学習の概要と簡単なRapidMinerでの活用例を知りたい方
52分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
教師なし学習にどのような手法があるかを理解できる。
基礎的な教師なし学習オペレーターの利用例が分かる。
| 第1章 | 教師なし学習の概要／機械学習レビュー／教師なし学習代表例 |
|---|---|
| 第2章 | 相関係数／相関係数とは／Correlation Matrixオペレーター |
| 第3章 | クラスタリング／クラスタリング／k-meansクラスタリング／x-meansクラスタリング／クラスタリングオペレーター |
| 第4章 | アソシエーション分析／アソシエーション分析とは／FP-Growth／アソシエーションルール／ルールの評価 |
| 第5章 | 異常検知／異常検知とは／K-NN Anomaly Score／LOF／One-Class-SVM |
Pytorchは、ディープラーニングのフレームワークの中でも近年、最も勢いのあるフレームワークです。最先端の研究（学界、産業界）でもよく使用されており、Pytorchの基礎を理解することで様々な実課題を深層学習を使ってアプローチできることになるはずです。本講座では、Pytorchの基礎を短時間でコンパクトにご説明致します。
深層学習を使って高度な分析課題を解決していきたい方におススメ
約45分
Pytorchライブラリの基本的内容を理解する
実際にPytorchライブラリ使って深層学習モデルを作成してみる
| 第1章 | テンソル(Tensor）イントロダクション／テンソル（Tensor）とは／テンソル（Tensor）作成方法／テンソル（Tensor）の演算処理 |
|---|---|
| 第2章 | データ読み込み／Map-Styleデータ、Iterable-Styleデータ／サブクラスの作成 |
| 第3章 | データの前処理／Data Augumentation（データ拡張）Random Crop／Random Erasing／Random Flip／Gaussian Blur／Random Grayscale／Color Jitter／Random Rotation／変換の組み合わせ |
| 第4章 | モデル作成／全結合層 |
| 第5章 | モデル最適化／モデルの予測と損失の計算／誤差逆伝播法（Backpropagation） |
| 第6章 | モデルの保存と読み込み |
| 第7章 | モデルの改善／畳み込み層 |
RapidMiner AI-Hubの各機能の紹介・使い方の解説コースです。機械学習モデルの展開・運用をこれから始める、より円滑に行いたいなど、モデルの運用を課題としてお持ちの方向けとなっております。活用編もご用意しております。
機械学習プロジェクトのマネージャー・推進者 におススメ
約200分
RapidMiner AI-Hubの概要・操作方法を理解する
効果的な運用方法について学習する
| 第1章 | RapidMiner AI-Hubの全体像／RapidMiner AI-Hubを導入する意義とは／RapidMiner AI-Hubの機能／Studio無償ユーザーと有償ユーザーの違い／RapidMiner AI Hubのインストール |
|---|---|
| 第2章 | ユーザー登録と権限設定／権限設定／ユーザー登録／セキュリティ |
| 第3章 | Dashboardの作成／AI Hub Dashboard の概要／Dashboard（RapidMiner v9.7 以降の場合）／Web App（RapidMiner v9.6 以前の場合） |
| 第4章 | Python連携／Server Repositoryのデータソースを読み込み／Server Repositoryのプロセス実行／Server Repositoryにpandas data frame を書き込み／Jupyter lab／生成したデータをGrafanaで表示 |
| 第5章 | ローカルデータのアップロードと可視化／ローカルデータのアップロード／可視化 |
| 第6章 | データの読み込み／変数選択、モデル選択／モデル評価、結果の解釈／Deployment |
| 第7章 | Real Time Scoring（RTS）／Real Time Scoring (RTS) Agentの概要／RTS Agentのセットアップ／RTS Agentにプロセスの追加 |
| 第1章 | RapidMiner AI-Hubとは |
|---|---|
| 第2章 | プロジェクト作成 |
| 第3章 | RapidMiner Notebookの活⽤ |
| 第4章 | APIエンドポイントの⽣成 |
| 第5章 | ダッシュボード作成 |
データ分析プロジェクトのマネジメントをこれから行う管理者の方向けのデータ分析基礎研修です。
データ分析・機械学習の基礎知識を身に着け、
分析課題の策定やプロジェクトの管理に必要なことを学習するコースです。
機械学習プロジェクトのマネージャー・推進者 におススメ
約75分
機械学習の基礎を習得する
データ分析プロジェクトの管理について学習する
| 第1章 | データ分析基礎／教師あり学習／教師なし学習 |
|---|---|
| 第2章 | 分析課題の評価方法／実現性とビジネスインパクト／実現性の各指標の説明／課題評価ワークシート記入例 |
| 第3章 | 統計学と機械学習／統計学と機械学習の違い |
| 第4章 | データ分析プロジェクトの回し方／データ分析の作業フロー(CRISP-DM)／データ分析プロジェクトの3つの役割／分析プロジェクトを進める際の注意点 |
近年、素材開発の分野で注目を集めているMIを活用するため、MIの課題及び機械学習上の課題双方の対処策を習得し、RapidMinerでの実装を学習する講座です。
素材の研究開発業務の方 におススメ
約240分（予定）
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
MI特有の問題の対処法を習得する
MIに活用できるようになる
| 第1章 | 分子の特徴量を生成する／分子の特徴量の考え方／RDKitを活用する／Rapidminerによる実装の解説 |
|---|---|
| 第2章 | 混合物の特徴量をつくる／混合物の特徴量の考え方／配合データを扱いやすい形へ変換する／特徴量の計算方法の解説 |
| 第3章 | 予測の有効範囲の判断方法 (予定) |
| 第4章 | 高次元データへの対応 (予定) |
RapidMinerを活用する際に便利な情報を、チートシートやホワイトペーパーとして配布しています。
下記リンクに順次公開を増やしていきますので都度ご確認ください。
https://www.rapidminer.jp/materials/
初めてRapidMinerに触れる方 におススメ
オペレーター集
ユースケース集
Tips集 など
プロセスデータ（時系列データ）を用いたデータ分析に関する手法を学習いただき、 プラントで実活用できるようなモデルケースを元に学習できるコースです。
プラントの業務に携わる方 におススメ
約300分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
プロセスデータの前処理を習得する
予知保全や収率最大化に活用できるようになる
| 第1章 | プロセスデータ（時系列データ） の取り扱い方／時系列データのハンドリング／時系列データの可視化／時系列データの特徴量抽出 |
|---|---|
| 第2章 | 連続プラントにおける収率最大化／課題設定／データの前処理／生産量予測モデルの作成／収率最大化 |
| 第3章 | プロセスデータを用いた予知保全／課題設定／データの前処理／モデルの作成／バッチプロセスへの応用 |
| 第4章 | ソフトセンサー作成／ソフトセンサーとは／課題設定／回帰モデルの作成 |
| 第5章 | 化学プラントにおける異常検知／異常検知へのアプローチ／PCAによる異常検知／様々な異常検知手法／演習 |
機械学習を活用していくための前提知識である統計学の基礎を学習していく初心者向けの講座です。
本講座ではRapidMinerは使用しません。
初めて機械学習に触れる人 におススメ
約110分
統計学の基礎を習得する
| 第1章 | 記述統計／平均・中央値・最頻値／四分位数／標準偏差と正規分布 |
|---|---|
| 第2章 | 相関／相関と因果／相関と因果関係の向き |
| 第3章 | 中心極限定理／標本数による標本平均分布の変化／⺟集団と標本平均分布 |
| 第4章 | 推定と検定／点推定と区間推定／帰無仮説と対立仮説／両側検定と片側検定 |
アルゴリズムを使用した機械学習の分析前の重要なプロセスであるデータの可視化と前処理に関する講座です。
データのグラフ化についてや前処理の技法について詳しく学んでいきます。
初めて機械学習に触れる人 におススメ
約160分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
データ可視化の基礎を習得する
基礎的なデータ前処理が出来るようになる
| 第1章 | 基本統計量・可視化／可視化の目的（重要性）／ヒストグラム／棒グラフ／散布図／相関行列 |
|---|---|
| 第2章 | テーブル操作／テーブルの結合／行列の入れ替え |
| 第3章 | クレンジング／データ加工・クレンジングの重要性／欠損値の削除・置換／外れ値の削除・置換／列の削除・追加／正規化 |
RapidMinerを使った深層学習について複数の講座で学習出来るコースです。
時系列解析、画像認識、テキストマイニングといった課題に深層学習を活用出来るように学習していきます。
深層学習を身に付けたい人 におススメ
約260分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
深層学習の基礎を習得する
深層学習を使って、時系列解析・画像認識・テキストマイニングが出来るようになる
| はじめての深層学習 イントロダクション | 学習内容／学習ゴール |
|---|---|
| 第1章 | 深層学習とは／ビジネスでの活用例／深層学習の位置づけ／ニューラルネットワーク／ディープ・ニューラルネットワーク |
| 第2章 | Deep Learning Extension／Extensionの追加／多層パーセプトロンの作成／学習条件の設定／実行結果 |
| 第3章 | 手書き文字画像の識別／CNNの作成／実行結果 |
| 第4章 | センサーデータの異常検知／部分時系列の作成／MLPモデルの作成／実行結果／異常検知の考え方 |
| 第5章 | まとめ |
| はじめてのテキストマイニング 第1章 | テキストマイニングとは／ビジネスでの活用例／技術体系 |
| 第2章 | テキストの前処理／自然言語処理／形態素解析／前処理フロー |
| 第3章 | テキストの分析／単語の出現分布／階層的クラスタリング／共起ネットワークの構築 |
| 第4章 | まとめ／付録 |
| 画像認識 第1章 | 事前準備／Extensionのインストール |
|---|---|
| 第2章 | CNNの基礎／畳み込み層の計算／プーリング層の計算 |
| 第3章 | 画像の前処理／前処理の手順／データ構造の確認／画像サイズを揃える |
| 第4章 | 被写体の識別／モデル学習の手順／CNNの作成／モデル精度の確認 |
| 第5章 | 画像の水増し／グレースケール変換／画像の反転／画像の回転 |
| 第6章 | まとめ |
| 時系列解析 第1章 | 事前準備／Extensionのインストール |
| 第2章 | RNNの基礎／LSTM：長短期記憶 |
| 第3章 | 時系列の前処理／前処理の手順／部分時系列の作成／データ形式をテンソルへ変換 |
| 第4章 | 時系列の予測／作成するLSTMの構造／LSTMの作成／実行結果 |
| 第5章 | 教師ラベルの作成／ラベル作成の考え方／異常フラグの作成／実行結果 |
| 第6章 | まとめ／実行結果 |
| テキスト分類 第1章 | 事前準備 |
| 第2章 | テキストの前処理／前処理の手順／形態素解析の実行 |
| 第3章 | テキストのクラス予測（1）／モデル学習の手順／TF-IDFによる重み付け |
| 第4章 | テキストのクラス予測（2）／文書分類モデル学習／モデル精度の確認 |
| 第5章 | まとめ |
IoT時系列センサデータの分析方法について、実際に製造業様の分析に長く取り組んできた弊社のノウハウを盛り込んだ学習コースです。
時系列データの前処理に関する内容も盛り込まれており、より実務に活用できる講座です。
IoTデータを活用したい人 におススメ
約660分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
IoTデータの前処理方法を習得する
IoTデータから予測分析出来るようになる
| 第1章 | データ分析と機械学習／データ分析プロジェクトの進め方／教師あり学習／教師なし学習／強化学習 |
|---|---|
| 第2章 | 機械学習ことはじめ／機械学習を正しく使うために |
| 演習・事前準備 | 演習の為のRapidMiner事前準備 |
| 第3章 | RapidMiner の使い方／RapidMinerの基本 |
| 第4章 | 時系列データ分析の基礎／時系列データの特徴量抽出／Time seriesオペレーター |
| 第5章 | 分類問題／決定木分析とは |
| 第6章 | モデルの精度と評価／分割検証／交差検証モデルの精度 |
| 実践ケース１ | モータの診断／データの分割／特徴量の作成 |
| 実践ケース２ | 波形データから特定区間の切り出し／区間IDの作成／区間ごとに特徴量をもとめる |
| 第7章 | 回帰分析／単回帰分析／重回帰分析／多重共線性 |
| 実践ケース３ | ロボットの予防保全／欠損値の線形補完／説明変数同士の関係性 |
| 第8章 | K近傍法(k-NN)による分類／変数選択／標準化 |
| 第9章 | その他の分類モデル／ロジスティック回帰／サポートベクターマシン |
| 第10章 | クラスタリング／階層型クラスタリング／非階層型クラスタリング |
| 第11章 | ニューラルネットワークとディープラーニング／ニューラルネットワークの仕組み／ディープラーニング／畳み込み／プーリング |
回帰問題に特化して、機械学習とRapidMinerの基礎が学習出来る初級コースです。
分析をビジネスに活用するシーンにおいて出番の多い回帰分析を入門から、様々なアルゴリズムを解説する応用までを学ぶことができます。
初めて機械学習に触れる人、数値予測がメインの人 におススメ
約110分
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
機械学習の概要、特に回帰分析を理解する
RapidMinerの基本的な使い方を習得する
| 第1章 | 単回帰／重回帰／多項式回帰／交互作用項の追加 |
|---|---|
| 第2章 | 回帰におけるオーバーフィッティング／リッジ回帰／ラッソ回帰 |
| 第3章 | k近傍法による回帰／決定木の回帰への拡張（回帰木、ランダムフォレスト、勾配ブースティング回帰木／サポートベクターマシンによる回帰 |
機械学習の概要とRapidMinerの基本的な使い方が習得出来る初級コースです。
『顧客データを分析して離反を防ぐ』というケーススタディでRapidMinerの基礎を学習します。
初めて機械学習に触れる人 におススメ
Pt1 約298分 （ver.10.0以前の旧講座は約140分）
Pt2 約416分 （ver.10.0以前の旧講座は約250分）
※実際の所要時間は、ハンズオン含め約2～3倍程度かかります。
機械学習の概要を理解する
RapidMinerの基本的な使い方を習得する
Pt1 / 全5回 約298分 （旧講座：約140分）
第1章 本コースの概要／アナリティクスとは何か／今回扱うデータ／CRISP-DMモデルとは／RapidMinerの操作 第2章 データの準備／データの前処理／変数の定義／プロセスの保存／２章まとめ 第3章 モデリングの概要／k-nnとは／モデルの適用／３章まとめ 第4章 モデルの検証／パフォーマンスの見方／クロスバリデーションとは標準化とは／４章まとめ 第5章 第5章：線形回帰とは／郵便番号のより良い表現／決定木とは／まとめ Pt2 / 全6回 約416分 （旧講座：約250分）
第1章 本コースの概要／アナリティクスとは何か／今回扱うデータ／CRISP-DMモデルとは／RapidMinerの操作 第2章 結合の理解／離反データの結合／目的変数の生成／性別情報の結合／データの集計／２章まとめ 第3章 データの回転－ピボット／行方向の集計／属性でループ／属性名の削除／年齢の算出／最後の仕上げ／解約データに含まれる顧客データを削除 第4章 ニューラルネットワークの概要／学習係数／局所最適点とモメンタム／不均衡データ／不均衡データの処理／４章まとめ 第5章 サポートベクターマシン概要／カーネルトリック／サポートベクターマシンまとめ／パラメータ最適化／５章まとめ 第6章 変数選択／変数増加法／変数増加法の計算量／Speculative Rounds／変数減少法／変数選択の検証／変数選択後のシナリオ／第６章のまとめ