1.機械学習／ディープラーニング概観
    1）データ分析と統計
 2.機械学習／ディープラーニングを行う際に必要なデータ処理の基本
    1）データの定義
    2）扱うデータの特性を把握する
      a) 時間軸/場所の考慮
      b) 画像
      c) 音
      d) センサー（時系列）データ
      e) その他（言語）
　　 3）特徴量エンジニアリング
      a) 特徴量エンジニアリングとは何か
      b) 具体例
 3.機械学習の基礎と実践
     1）機械学習の基本
      a) データがモデルをつくる
     2）学習の種類
      a) 教師あり学習の基本
      b) 教師なし学習の基本
     3）結果の分類
      a) 回帰
      b) クラス分類
     4）製造業でのサンプル
      a) 画像データによる傷の検知
      b) 音データ処理による異常検知
      c) センサーデータ処理による時系列データ処理
 4.ディープラーニングの基礎と実践
     1）ディープラーニングの基本
      a) 基本的な仕組み
      b) ほとんど数式なしの誤差逆伝播理解
     2）製造業でのサンプル
      a) CNNによる画像データによる傷の検出
      b) RNNによる音データ処理による異常検知
      c) RNNによるセンサーデータ処理による時系列データ処理
 5.製造業と機械学習
     1）機械学習による課題解決
      a) PoCへの取り組み（なるべく小さな範囲で）
      b) PoCからソリューションへ
     2）精度はどこまで求めるか
      a) 精度は100%にはならない
      b) 運用も含めた100%を目指す
講師紹介
　1990年 3月 岡山大学　文学部卒業
    同年   4月 応用技術株式会社　入社
    多くのWEBシステム構築に携わる
    近年はデータマイニング技術の応用に携わる
    一般企業向けの機械学習・ディープラーニングセミナー開催　多数
　2019年4月　　株式会社ネクステージ　AIアナリストとして勤務