DL4US
Deep Learning for Us
Overview
Deep Learning for Us
.png)
活用事例
大量の資料をNLPで自動で仕分けする、時系列データから異常検知、不良品の判定、音声分類、外観検査AIの構築等
【 画像認識技術 】
製造ラインでの部品の表面キズや欠陥をリアルタイムに検知し、不良品を自動的に除去。
医療画像（MRIやX線など）を解析し、腫瘍や異常な病変を自動で検出。
【 時系列データ解析 】
季節やトレンドを考慮した売上予測モデルを構築し、在庫過剰や欠品を防止。
顧客の購入履歴や行動パターンを分析し、個々のユーザーに最適な商品を提案するレコメンドシステムを構築。
講座概要
実例を通じてディープラーニングの実践スキルを習得
TensorFlowを使い、CNNやRNN、Transformerの実装を実践的に学びます。豊富な実例をもとにした演習で、現場の課題解決に直結するスキルを効率よく習得。自社で即戦力として活かせる力を養います。
カテゴリ | エンジニアリング力 |
講座名 | DL4US |
講座時間 | 計4日間／1日8時間 プロジェクトワークショップを含む場合、計5日間／1日8時間 |
プログラミングスキル | Pythonを実務で利用したことがある（研究、データ分析、システム開発、Web開発など） |
数学 | 微分積分、ベクトル、行列、確率分布に関する知識 |
Curriculum
Deep Learning for Us
Day 01：深層学習基礎 TensorFlow入門
タスク：機械学習、深層学習基礎
詳細：データ収集・アノテーション、機械学習プロジェクトのポイント
取扱うモデル／テクニック：MLP
Day 02：画像認識
タスク：画像データの分類、物体検出、セグメンテーション
詳細：危険運転検知、部品の欠損箇所セグメンテーション、来店者数のカウント
取扱うモデル／テクニック：CNN
Day 03：系列データ
タスク：時系列データの分類、予測、推薦
詳細：工場の稼働予測、商品の売上予測、商品のレコメンデーション
取扱うモデル／テクニック：RNN、LSTM、Transformer
Day 04：異常検知
タスク：異常検知 - 時系列データと画像
詳細：センサーデータから異常検知、画像データから外観検知
取扱うモデル／テクニック：GAN,VAE ( Day2のCNNに加え )
- option -
異常検知
タスク：異常検知（時系列データと画像）
詳細：センサーデータから異常検知、画像データからの外観検査
取扱うモデル／テクニック：(Day2のCNNに加え)、GAN、VAE
自然言語処理
タスク：センチメント分析、文章分類、固有表現抽出
詳細：アンケート分析(ネガポジ)、社内文書分類、チャットボット開発
取扱うモデル／テクニック：TFIDF,Word2Vec,BERT
強化学習
タスク／詳細：自動運転、操縦、ルートの最適化
取扱うモデル／テクニック：TBA
GNN
タスク：ネットワークの予測、交通・物流予測、レコメンドシステム、化合物、生物分子解析
詳細：
取扱うモデル／テクニック：