|
【習得できる知識】
・Pythonの基礎知識
・データ解析に関する基礎知識
・多変量データの基本的な取り扱い方
・実際の業務におけるプロセスデータ/実験データに対して、調べながら解析を進めていくことができるデータ解析の基礎
【講座の趣旨】
日本の製造業は、匠の技術の伝承によって、その競争力を維持してきた歴史がありますが、高齢化・生産年齢人口の減少により、その強みが失われつつあります。機械学習などのデータ解析技術を用いることで、匠の技術を形式知化できる可能性がありますが、データ活用人材の不足が大きな課題となっております。
この講義では、製造業でのデータ解析において必要な、入門～基礎レベルの技術を学ぶことを目的としています。特に、Pythonを用いた実践的なデータの取り扱い方法に焦点を当て、実際の業務において受講者が調べながら応用できるレベルのスキルを身に付け、データ活用人材としての最初の一歩を踏み出していただくことを目指しています。
データ解析技術の基礎を学ぶだけでなく、プロセスデータを使った実習や演習、データドリブンな実験水準の組み方などを、実習や演習に取り入れているので、実務に応用しやすいように配慮しております。
【受講者対象】
・Pythonの初心者または未経験者
→インストールして動かしてみたことはあるけど， 業務で使う際にどのようにすれば良いか分からない方など
・材料処方設計や製造プロセス業務に、Python等を用いたデータ活用をお考えの方
・Pythonのインストールと基礎的な使い方については，手順書をもとに各自で事前学習ができる方
１．はじめに
1.1 講師自己紹介
1.2 Python環境の動作確認
1.3 企業においてデータ活用に取り組む意義
1.4 生成AIの紹介
２．データ基礎
2.1 データについての基礎知識
2.2 データ可視化
2.3 実習1:データ可視化
2.4 演習1:データ可視化
３．多変量データの取り扱い (次元削減・クラスタリング)
3.1 多変量データとは
3.2 基本的な前処理
3.3 次元削減・クラスタリング ① 主成分分析
3.4 実習2:主成分分析
3.5 演習2:主成分分析
3.6 次元削減・クラスタリング ② クラスタリング
3.7 実習3:クラスタリング
3.8 演習3:可視化/クラスタリング
４．線形回帰モデル基礎
4.1 線形回帰モデルとは
4.2 回帰モデルの評価指標
4.3 実習4-1:線形回帰モデル (1)
4.4 過学習/過剰適合
4.5 実習4-2:線形回帰モデル (2)
4.6 正則化
4.7 実習4-3:線形回帰モデル (3)
５．おわりに
5.1 データ活用プロジェクトの進め方の紹介
5.2 参考書籍
６．補習 (スキルアップにご活用ください)
6.1 補習1: Pythonの基本文法
6.2 補習2: Dirty-Irisの前処理
【質疑応答】
|
