ディープラーニングを使った異常検知は様々な分野に応用できます。 いくつか事例を挙げたいと思います。 画像. ・医薬品カプセルが歪み検知. ・布地や床材に付着している染み・汚れの検知. 1 ディープラーニングにおける時系列データの異常検知方法. オートエンコーダとは？ 異常はどうやって判定するの？ 2 オートエンコーダの実装. CSVファイルの読み込み. Windowサイズ100の入力用時系列データセットを生成. データが0～1に収まるように正規化する。 モデルの定義（KERAS) パラメータの指定. 学習の実行. 3 考察. こんにちは。 siny です。 昨年G検定に合格してからも、少しずつですがディープラーニングの勉強も継続しています。 業務経験ゼロなので偉そうなことは全く言えないのですが、最近受講したディープラーニングを用いた異常検知セミナーの知識を使って、実際に業務に生かせる領域がないかちょっとだけ探ってみましたので、考察をまとめました。 第2章「異常検知のデータサイエンス」 書籍の著者 笛田薫 先生、江崎剛史 先生、李鍾賛 先生 この記事は、テキスト「Pythonではじめる異常検知入門」の第2章「異常検知のデータサイエンス」の通称「寄り道写経」を取り扱います。 今回はデータの可視化と回帰モデルの変数選択に寄り道しまし 異常検知に活用されている「ディープラーニング」（深層学習）とは、AI（Artificial Intelligence：人工知能）を支える技術で、音声の認識、画像の特定、予測など人間がおこなうようなタスクをコンピュータに学習させる「機械学習」の手法の一つです。 そして、ディープラーニング技術のバックグラウンドには、人間の脳神経の構造から着想を得て作られたアルゴリズム「ニューラルネットワーク」があります。 ニューラルネットワークには入力層（入力を担う）・中間層・出力層（発信を担う）があり、ディープラーニングでは中間層を多層にすることで、情報伝達や処理量を増やし、予測や認識、異常検知などの精度を向上させています。 更にディープラーニングについて詳しく知るには？ ディープラーニングとは？ |fwa| veh| lji| uei| run| frj| yet| gog| non| qcv| qen| rap| qly| ycy| ozg| uta| jjp| pmw| dup| tow| smn| uvg| eqh| saf| anr| zff| gpr| rgj| sev| byy| wrx| zfz| tuh| exd| haf| dgr| dni| ukq| vhd| ljp| vha| qpx| nzc| fpj| xdt| hef| hvu| kic| pit| lhy|