AIやIoTなど、デジタル化の波はものづくりの現場に大きな影響を与え、製造業を取り巻く環境は大きく変動しています。従来、日本の製造現場では熟練者の経験や勘、知識に基づいて高度な品質管理や設備保全が行われてきましたが、これからの「データ社会」では、いかに膨大なビッグデータを活用して、更なる品質向上や製造の効率化、技術継承を図れるかが大きな課題となっています。
本セミナーでは、主に製造現場における品質管理にフォーカスし、データマイニング（ビッグデータ分析）を駆使して、いかに品質不良の影響因子を絞り込んで品質向上に結びつけるか、事例演習も交えながら実践的に学びます。
受講後の実践的な活用のために、EXCEL、pythonを用いて、受講者各自1台ずつPCによる演習を行います。（PCはご用意致しますが、持ち込みも可能です）
※本セミナーでは、統計学の実践的な活用に重きを置くため、統計学の基礎理論や体系的知識を習得したい方は、「製造現場のための統計解析法（基礎編）」、また、機械学習（Python)による実践的な活用法を習得したい方は、「Pythonによるビッグデータ解析」を併せて受講することを推奨します。
野口 怜
・製造分野における統計解析やデータマイニングの考え方について実践的に学びたい方
（特に数学・プログラミングの知識は必要ありません）
１．製造現場におけるデータマイニングと進め方
・製造現場におけるデータマイニングの狙いと適用範囲
・従来の統計的手法とデータマイニングによる品質管理の違い
・製造現場におけるデータマイニングの活用事例
・データサイエンティストに求められる知識・スキルセット
・データマイニングの進め方
２．データマイニングで用いる統計学の基礎
・代表値（平均値・中央値・最頻値）
・ばらつきの指標（分散・標準偏差・標準誤差）と外れ値
・分布と仮説検定
・製造現場における統計学：工程能力指数（Cp,Cpk）と公差
・変数の尺度（名義尺度・順序尺度・間隔尺度・比例尺度）
・相関係数／相関と因果の違い
３．分析課題の理解・分析目的の設定
・分析課題の選定・定義
・従属変数・独立変数（目的変数・説明変数）の考え方
・分析に向けた「品質不良」の捉え方（良品／不良品判別、不良率、不良モード判別 など）
４．データの理解・可視化・観察
・製造現場におけるデータの種類
・製造工程の理解とデータの確認（工程別・要因種類別のデータ、原因系／結果系データ など）
・グラフによる不良状況の可視化と偏在の確認（ヒストグラム・箱ひげ図・散布図）
・相関分析による不良の影響因子候補の把握（例：不良率と相関する変数は何か）
５．データの準備・加工
・分析に適したデータ形式とは
・従属変数・独立変数の加工（連続数：不良率、カテゴリー値化：不良モード、2値化：良品／不良品 など）
・データ結合の考え方（例：製造データと品質データを紐付ける）
６．分析モデルの構築とモデル評価
・代表的な分析手法の概要と手法の選び方
・線形回帰による不良予測と影響因子の絞込み（例：不良率の回帰から製造温度の影響を抽出）
・＊ロジスティック回帰による良品／不良品の判別（例：良品／不良品の回帰から製造圧力の影響を抽出）
・＊決定木分析による良品／不良品の判別（例：良品／不良品の判別条件から作業者によるブレを抽出）
・モデルの評価指標：Precision（適合率）とRecall（再現率）
・精度向上に向けたモデルチューニングの考え方
・分析結果の技術的な検証
注）＊印の解析手法は、Pythonのサンプルコードを用いた演習を行います
７．展開
・分析結果の製造へのフィードバックの考え方（例：. 歩留まり向上、リアルタイムスコアリング など）
（セミナーの内容は、一部変更される場合がございます）
・セミナー終了後、希望される方には業務への活用方法等についてご相談に応じます。
