製造現場のための統計解析法(実践編)

~機械学習(python)による品質管理の実践〜

セミナーの概要

 本セミナーでは、「製造現場のための統計解析法(応用編)」で学んだ内容をベースに、より実践的な分析手法 (データマイニング手法) を駆使して、データを武器とした製造現場の品質管理や設備保全を行うためのスキルを、事例演習も交えながら実践的に習得します。
 受講後の本格的な活用のために、データ分析でよく使われる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、より実践的な分析手法を取り扱うため、「製造現場のための統計解析法(基礎編)」「製造現場のための統計解析法(応用編)」を併せて受講することを推奨します。

担当講師

野口 怜

受講対象

・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
・ビッグデータを活用した品質管理手法について習得したい製造部門・品質管理部門のご担当者様
・「製造現場のための統計解析法(基礎編)」受講者で、より実践的な手法について学びたい方
・Pythonの基本的な使い方・活用方法を学びたい方
 (特に数学・プログラミングの知識は必要ありません)

学習内容

1.Pythonの基本的な使い方
  ・Python分析環境 (Jupyter Notebook) について
  ・分析でよく用いられるライブラリ (Matplotlib, Pandas, scikit-learn など) について

2.Pythonによるデータ観察
  ・グラフによる不良状況の可視化と偏在の確認(例:ヒストグラムで不良状況を色分け表示して傾向把握)
  ・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)

3.Pythonによるデータ加工
  ・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)
  ・複数データファイルの結合(例:製造データと品質データを紐付ける)

4.分析モデル構築の基本
  ・代表的な分析手法の概要と手法の選び方
  ・製造現場における分析事例
  ・モデルの評価指標:Precision(適合率)とRecall(再現率)

5.数値予測:不良率の予測
  ・重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)
  ・オーバーフィッティング(過剰適合)と多重共線性
  ・精度向上に向けたより高度な分析手法の活用 (サポートベクタマシン/ニューラルネットワークによる不良率の予測)

6.分類予測:良品/不良品の分類
  ・決定木による不良要因の判別分析 (例:良品/不良品の判別条件から作業者によるブレを抽出)
  ・ランダムフォレスト (アンサンブル学習) による精度向上
  ・精度向上に向けたより高度な分析手法の活用 (サポートベクタマシン/ニューラルネットワークによる良品/不良品の分類)

7.データの層別:不良モードのグルーピング
  ・k-meansクラスタリングによるデータの層別 (例:寸法などの結果系データから不良モードを分類する)
  ・クラスタリング x 決定木 の組み合わせによる分析 (例:不良モード分類後に各不良モード別の判別分析)

8.時系列データの取扱い
  (例:時系列センサーデータを用いた品質管理、設備稼働データを用いた設備保全)
  ・時系列データ分析のアプローチ方法
  ・特徴量抽出による分析 (例:区間の平均値・標準偏差など統計量の活用、技術知見の活用)
  ・異常検知の考え方 (例:設備稼働データから異常兆候を検知)

(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。

 
セミナーのお申し込みはこちらから