（11/18）時系列データ処理・分析の進め方と予測モデル構築方法～時系列データの特徴、前処理・モデル化手法から異常検知・実装展開まで～

群馬大学 大学院理工学府・理工学部理工学教育センター 准教授 博士（工学） 茂木 和弘 氏

セミナーポイント

　センサ技術の進歩などにより、様々な分野で高頻度・高精度な時系列データが得られるようになった。これに伴い、膨大なデータの処理と解析が重要な課題となっている。
　時系列データによる予測は、設備保全、異常検知、需要予測、交通予測など多くの場面で必要とされる。ただし、これらのデータを適切に処理・解析しなければ、有効活用できない。
　本講演では、時系列データの前処理、特徴抽出、機械学習による予測モデルの活用について紹介する。また、Pythonを用いて時系列データの前処理や特徴抽出、予測モデルの構築方法を学ぶ。

＊ハンズオン演習について
　・本セミナーでは、お手許のPCで Google Colaboratory を用いたハンズオン演習を行うことができます。
　・実際に操作をするか否かは受講者の任意です。操作されない場合でも、受講に差し支えはございません。
　　（その場合、講師による実演をご覧いただく形となります）。
　・セキュリティ設定などにより、Google Colaboratoryが利用できない場合がございます。事前に当日の視聴環境でご利用可能かご確認ください。
　・PCの動作不良に伴うトラブルへの対応は致しかねますので、ご承知置き下さい。
　・演習に使用するPythonプログラムファイルは、受講者に配布致します。

○受講対象：
　製造業・インフラ・物流などの技術者で設備の予知保全や異常検知を行いたい方やセンサーデータを活用した業務改善を目指す方、データサイエンスやAIに興味がある方　など

○受講後、習得できること：
　・時系列データの前処理と特徴抽出の方法
　・機械学習による予測・異常検知の技術
　・Pythonを使った実践的なデータ解析スキル
　・実務への応用力（需要予測、設備保全など）

セミナー内容

1.現場における時系列データの構造と課題
　(1) 現場における時系列データの本質
　(2) 時系列データの構成要素と分解
　(3) 現場で直面するデータ品質の課題
　(4) システム構成とエッジ展開の視点

2.前処理と特徴量エンジニアリングの実践
　(1) 欠損値・外れ値処理
　(2) ノイズ除去と信号平滑化
　(3) 時系列特徴量エンジニアリング
　(4) センサデータのクレンジングと特徴量自動生成

3.統計モデルと機械学習による時系列予測
　(1) 古典的統計モデル
　(2) 機械学習（LightGBM / XGBoost等）による時系列予測
　(3) 時系列データの正しい検証方法
　(4) 設備需要・予防保全・状態予測モデル構築

4.異常検知とディープラーニング・エッジ展開
　(1) 時系列における異常検知の手法
　(2) 現場実装・組込み（エッジ）への展開方針
　(3) AutoEncoderを用いた振動データの異常検知

5.総合ハンズオン演習

6.まとめ・質疑応答

出典：株式会社情報機構（https://johokiko.co.jp/seminar_chemical/AD2611M5.php）。掲載は情報機構との提携によります。