原文


マニュファクチュアリングデータサイエンティスト養成講座
 

製造業に必須のデータサイエンスを実践的・効率的に習得


本講座はマニュファクチュアリング分野におけるデータサイエンティスト養成講座です。
マニュファクチュアリング分野において用いられる解析手法のしくみ・ 活用方法の理解と共に、マニュファクチュアリング分野の特性に合わせたデータを用いた具体的演習により、実践的解析力、問題解決力の習得を目指します。
修了認定者には、統計検定2級取得を無料サポートします。検定2級対応講座を無料にて受講可能です。
料金 40万円(税込)
研修時間 42時間(3 ヶ月)
修了認定要件 下記3 要件を満たした場合、修了認定証を交付
・全科目受講(各科目90%以上出席)
・総合テスト70 点以上
・課題解決プレゼンテーションに合格
 

<不合格の場合>
1.受講不足の場合は、アーカイブ受講をして頂きます。
2.総合テスト不合格の場合は、再受講をお勧めし、再試験を受けて頂きます。
3.課題解決プレゼンテーションに不合格の場合は、課題レポートを提出して頂きます。
4.総合的に審査し、合格と認められた場合は、修了認定証を交付します。


演習事例

  • 製造する部品の長さは一定かどうかサンプルから検討する。
  • 製造機械間における加工精度の違いについて比較する。
  • 同じ材料における2種類の試験機の加工性能について比較する。
  • 改善案の実施前後における適合品数の違いを比較する。
  • 温度と生産量の関係についてグラフ及び数値で把握する。
  • 接着強度と不純物含有量の関係について検討する。
  • 接着強度と2種類の含有量との関係について検討する。
  • 稼働時間及び機種と不良品数の関係について検討する。
  • 原材料・製造工程データから品質管理指標を予測、及び影響因子を探索する。
  • 不良率の算出、良品/不良品のダミー変数化、不良種別の2クラス化を行う。
  • 不良率を閾値設定によりカテゴリー値化し、2クラス分類として影響因子を探索する。
  • 寸法などの結果系データから不良モードを分類する。
  • 部品特性に基づきグルーピングを行う。
  • 製造条件から異常発生ルールを探索する。
  • 技術論文からキーワードを抽出する。
  • 製造条件に基づく精密部品の不良発生件数を予測する。
  • 製造条件に基づく電子部品の良品/不良品の予測を行う。
  • 試作評価試験における設計条件を絞り込む。
  • 部品調達先の違いによる部品特性を分析する。
  • 多クラス分類による全故障モードの判別と、2クラス分類による特定故障を検出する。
  • クラスタリングによる不良モードの分類、決定木による不良モード別の影響因子を分析する。
  • アンダーサンプリングにより少数の不良品データと多数の良品データのサンプル数を揃えて分析する。
  • 技術的知見に基づいた説明変数の取捨選択と新たな説明変数を定義する。

カリキュラム

科目 内容
1 製造業のための実践統計学 1. データの視覚化(箱ひげ図、ヒストグラム、散布図)
2. 基本統計(平均、分散、標準偏差、Z値、中央値、中央絶対偏差)
3. 分布(正規分布、t分布)
4. 母集団と標本(検定のしくみ、2種類の過誤)
5. t検定(有意確率、区間推定、効果量、検出力)
6. カイ2乗検定(カイ2乗分布、効果量)
7. 相関分析(散布図、積率相関係数、交絡要因と偏相関係数)
8. 重回帰分析(標準化偏回帰係数、決定係数、交互作用のある場合)
2 Rによるデータ解析 1. Rとは(R、Rstudioのインストール)
2. Rの基本的な使用方法(Rstudio の使用方法、ライブラリー、データの読込み方法)
3. 基本統計量、グラフ(平均、分散、標準偏差、Z値(偏差値))
4. グラフと外れ値(箱ひげ図、ヒストグラム、散布図、外れ値の検出方法)
5. t検定(有意確率、区間推定、効果量、検定力、対応の有無)
6. 2種類の過誤とサンプルサイズ(効果量・検定力・有意水準によるサンプルサイズの設定方法)
7. ノンパラメトリック検定(ウイルコクソン順位和検定、符号付順位和検定)
8. 分散分析(F値、多重比較(テューキー、ボンフェローニ)、対応の有無)
9. 重回帰分析(ダミー回帰)
10.ロジスティック回帰分析(予測値、オッズ比)
11.主成分分析(主成分負荷量、主成分スコア)
12.因子分析(主因子法、最尤法、直交回転、斜交回転、因子スコア)
3 Pythonによるビッグデータ解析手法 1. Pythonの基礎
 ・Python の導入、Jupyter Notebook の使い方、
  各種ライブラリの紹介:Matplotlib/Pandas/Numpy/scikit-learn
2.データ加工の基本
 ・データベースの基礎、複数データの結合、ダミー変数化、カテゴリー値化
3.教師あり学習:数値予測
 ・重回帰分析、ニューラルネットワーク、データの標準化
 ・オーバーフィッティング(過学習)と多重共線性、モデルの評価(決定係数)
4.教師あり学習:クラス分類
 ・ロジスティック回帰、決定木、ランダムフォレスト (アンサンブル学習)
 ・サポートベクターマシン、モデルの評価(Accurary, Precision, Recall, F値)
5.教師なし学習:クラスタリング
 ・非階層的クラスタリング(k-means 法)、階層的クラスタリング
 ・モデルの評価(Elbow 法、シルエット係数)
6.教師なし学習:アソシエーション分析
 ・Aprioriによるアソシエーション分析、モデルの評価 (支持度、確信度、リフト値)
7.自然言語処理とテキストマイニング
 ・形態素解析、頻出語分析とジップの法則、単語のベクトル化
4 実践力の養成 1. 製造業におけるデータマイニングと進め方
2. データマイニングで用いる統計学(製造現場における統計学:工程能力指数と公差)
3. 分析課題の理解・分析目的の設定(「品質不良」の捉え方(良品/不良品 など))
4. データの理解・可視化・観察
 ・製造工程の理解とデータの確認
 ・グラフによる不良状況の可視化と偏在の確認
5. データの準備・加工
 ・変数の加工(不良率)
 ・データ結合(製造データと品質データ)
6. 分析モデルの構築とモデル評価
 ・線形回帰による不良予測と影響因子の絞込み
 ・ロジスティック回帰による良品/不良品の判別
 ・決定木分析による良品/不良品の判別
 ・Precision(適合率)とRecall(再現率)
5 修了認定 総合テスト・課題解決プレゼンテーション
Copyright © データサイエンス研究所 All Rights Reserved.
S