製造現場や実験現場で取得される時系列csvデータを分析用のデータセットに変換するためにLoop処理（繰り返し処理）の機能を使ってデータの結合を行います。
Learning サブスクリプションとは
動画視聴形式で講座のサポートを受けながらデータ分析スキルを向上させます。
業務に直結する動画トレーニングを長期間視聴、繰り返し視聴することができます。
本サービスの狙いは、知識レベルの向上ではなく実務課題の解決です。
自分達の手で機械学習を習得し、企業競争力をつける
国内の多くの企業では、機械学習を用いたモデル作成をはじめとするデータ分析を外部に委託したり、高価なソフトウェアを購入し、ボタン一つで解決しようとしてきました。
しかしながら、とりわけ製造業では、製造に関する業務知識（ドメイン知識）がなければ、モデル作成やデータ分析（特徴量設計）は容易にはできません。
外部委託先から的外れな分析結果が報告されれば、多大なコミュニケーションコストが発生します。
弊社も機械学習のアルゴリズムや分析には詳しいものの、製造業特有のドメイン知識の獲得に苦労し、成果があげられない分析プロジェクトも多く経験しました。多大なコストをかけ無事所望の予測モデルが作成できたとしても予測モデルの権利の問題（特許や使用権）で委託先と折り合わないケースもあります。
また、自社の組織に分析力（解決力）やノウハウが蓄積されない限り、日々刻々と変わる可能性のある予測モデルのメンテナンスを自分達で行うことすらできず、再び高い分析コンサルティング費用を支払う必要も出てきます。
以上のことから、本当の意味での企業競争力をつけるには、自分達の手で機械学習を習得する必要があると弊社は考えており、図の“新モデル”に移行する必要があると考えています。
長期にわたる機械学習トレーニングの講座の提供
弊社では、Randy LeBlancの考え方に立脚し、自分達自身で分析ができるようになって頂くための機械学習（データ分析）のオンサイトトレーニング（2日〜3日間）やWEBトレーニングコース（1ヶ月間）を提供してきました。
しかしながら、普段の業務と並行して機械学習（データ分析）を学ばないといけないため、1ヶ月という短期間の中で実際の業務課題の改善や研究開発に直結できた受講者は少数でした。分析プロジェクトの平均期間が3ヶ月〜1年であることを考慮すれば、従来の機械学習トレーニング講座の提供は適切ではなかったと言わざるを得ません。
Learning サブスクリプションサービスでは、長期間（1年間）にわたり機械学習トレーニングの講座の提供を通して、多くの組織が自分達の手で機械学習を習得し、自社の組織に分析力（解決力）やノウハウが蓄積することで、業務知識が豊富な自分達の組織で、多くの分析プロジェクトの成功が継続的に実現されると考えております。
これまで企業が抱えてきた課題とは
- ビジネスインパクトの計画がなく、データ取得・分析が始まってしまっている。
- 分析による効果を検証できていない。
- 分析結果がどれくらいの収益を生むのか？
- 分析結果がどれくらいのコスト削減効果があるのか？
- 運用に耐えうるモデルなのか？
- 分析が上手くいかなかった要因を列挙できていない？
- 社内で分析ツールが統一されておらず、ユースケース（事例）の共有ができていない。
- データサイエンス（機械学習）の教育体系がない。
- 部門ごとで分析課題が違うため、つまずくポイントが違う。
これらの課題を解決できるのがLearningサブスクリプションです。
実務直結型トレーニング
Learningサブスクリプションサービスでは、まず実務上での分析課題を評価して頂くことから開始します。
自分自身の分析課題と関連しそうなテーマを多くの講座の中から選択頂き、集中的にご受講頂けます。
製造業の様々なテーマをトレーニング動画化しておりますので、繰り返しトライしご自身の分析課題を解決して下さい。
実務分析課題の適切な評価
Learning サブスクリプションサービスの受講前（または受講直後）には、必ずご自身の分析課題（業務課題）について評価を行って頂きます。
RapidMiner社が提供しているデータ分析課題評価シートや三菱ケミカルHD社が提供してる分析プロジェクトキャンパスを使って分析課題を評価して頂くことをお勧めしております。
特に前者については、講座の中で詳しく評価方法の説明を行っています。分析課題の評価ができれば、どのコースをまず閲覧すべきか、いつまでにCRISP DMの分析サイクルを1周回すのかについて目標を決めます。
2〜3ヶ月を目処に分析サイクルを1周回し、社内の関係者からフィードバックをもらうとモチベーションが得られることが多いです。
実務に直結する多彩な講座を用意
いくら機械学習のアルゴリズムに詳しくなり、正確な機械学習モデルの精度検証方法が理解できたとしても実務課題が解決されなければ、何の意味もありません。
Learningサブスクリプションのサービスでは、最も汎用的で業務に活かせる可能性が高い「RapidMiner基礎編（Pt1、Pt2）」、「回帰編」、設備データをはじめとする時系列（波形）データに特化した「IoT編（IoT特徴量設計編）」がベースの講座として提供されています。
また、化学・素材メーカーに特化した「プロセスデータ分析編」、「Material Informatics（MI）編」も用意されており、実務に直結できるような講座もあります。それほど、ご要望が多いわけではありませんが、画像やテキストなどの非構造データにも対応するために「深層学習（DL）編」もご準備しております。
よほど特殊なケースでない限り、トレーニング動画をご視聴頂ければご自身の分析課題に応用させ、問題解決が図れるはずです。講座内容に関するご質問を問い合わせるサポート窓口もありますので、必要であればご活用下さい。
トレーニング内容（サンプル）
多目的最適化
価格・お申し込み
（年間費用）
| Individual | Enterprise＋ | |
|---|---|---|
| ￥360,000
（年間費用） |
￥4,200,000 （年間費用） |
|
| 受講人数 | 1人用 | 上限なし（契約企業様の社内） |
| 契約期間 | 1年間 （最大4人×3ヶ月に分配も可能） | 1年間 |
| 視聴履歴・視聴者管理 | ✕なし | 〇あり |
| 利用規約 | リンク | リンク |
| カタログダウンロード | まずは相談 | まずは相談 |
- 講座内容についてのサポートは、Altair Unitsのサポートを利用
- 旧Enterpriseプランご契約企業様は、既存契約の更新1回のみ可能
- 1 本プログラムでは演習において、「RapidMiner」または「Python」を使用します。
- 2 RapidMinerマニュアルサイトをご覧頂けます。全て日本語のマニュアルですので、ご活用いただくことで、RapidMinerおよび機械学習の理解を深めて頂くことができます。
- 3 技術的なQAをまとめたサイトをご覧頂けます。これまでにお問い合わせいただいたご質問を取りまとめています。過去のQAのやりとりから新たな気づきを得て頂くことができます。
- 4 Individualコースに限り講座内容についての不明点を専用のサポートサイトよりお問い合わせ頂くことが可能です。弊社で内容を確認次第、サポート担当よりご回答いたします。
分析結果について保証するものではなく、期間内でのベストエフォート対応となりますことご了承ください。 - 5 お支払いサイトは本サービスの開始日の月末締め翌月末払いとなります。
- 6 RapidMiner AI-Hub活用編（AI-Hub運用編）は実地での研修を含みますので、追加費用が発生します。同講座はサポート外となりますので、ご了承ください。
- 7 講座の新規追加及び既存講座のバージョンアップは不定期になされます。
- 8 1年契約の場合、ユーザーの変更は3ヶ月に1度しか行うことができません。ご希望月の1日から変更となります。
- 9 課題創出ワークショップ研修はサポート外となりますので、ご了承ください。
- 10 RapidMiner AutoModel編 / TurboPrep編はIndividualプラン限定になります。
- 11 Pt1,Pt2は旧バージョン(10.0以前)用も講座をご用意しております。
講座一覧表
■ データサイエンス入門
■ RapidMiner
MLOps編（2024年4月）
HyperStudy最適化編（2024年8月）
■ PyTorch
Pt1/Pt2 Pythonバージョン ※コードのみ
実践トレーニング
どんなに座学でデータ分析の手法を学んだところで、実際のデータの作り方や使い方を習得しなければ、データサイエンスをマスターしたとは言えません。
オンサイトトレーニングやゲーミフィケーションプログラムで実践力を身につけることができます。実施内容のご相談も承っておりますので、お気軽にご連絡ください。
実践型オンサイトトレーニング
エッジAI振動データ分析編
製造業では、Altair RapidMinerを使用して作成した予測モデル（異常検知や品質予測など）を現場で活用するケースが増えています。しかし、クライアント数が多くなるとクラウドシステムの処理能力が低下し、通信環境が不安定な場合はタイムラグが生じます。そのような問題解決方法として、エッジシステムが採用されています。エッジシステムはクラウドの負荷を減らし、通信環境に依存せずに推論を行うことができます。
本講座では生産設備を模したNゲージ(鉄道模型)を題材に、振動データの収集・蓄積から予測モデルの作成、リアルタイムでの推論結果の可視化（予測結果の表⽰）まで⼀連の流れをローコードで構築します。
AI ゲーミフィケーション Learningプログラム（GLP）
将来的な分析課題の解決に向けて、実践的な分析をつけるためには、社外で実施されている分析コンペに参加することは効果的ですが、初学者にはハードルが高く参加しにくいという問題点もあります。本プログラムでは、社内で比較的よくある課題をコンテスト課題として提供し、社内メンバーで切磋琢磨しながら、ゲーム感覚で競い合う中で実践力を全員で高めることで、企業の文化に実践的な分析を根付かせることが可能です。
