マガジン
Tips
Toshi Sugi
- 6本
異常検知
Toshi Sugi
- 5本
記事一覧
異常音検知：ノイズに対するロバスト性の検証（CNN・AutoEncoder）
「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoderと教師なし学習による異常音検知～AutoEncoder色々～続きです。
背景 これまでノイズの無いクリアな信号で検証していました。しかし、実環境では周囲から生ずるノイズの影響を無視できません。そのため、ノイズ重畳信号に対する異常検知能力が重要になります。今回は、CNNとAutoEncoderについて、ノイズ重畳信号の正常
【メモ】Kerasなど
KerasThe Functional API
Keras layers API
Keras アプリケーション
Transfer learning & fine-tuning
SequentialモデルAPI
Mergeレイヤー
ImageDataGenerator
TensorFlowtf.keras.preprocessing.image.ImageDataGenerator
tf.kera
リンク（異常音検知など）
AI-Scholar情報が少ない異常検知でこそ学習済みモデルを活かせ（論文紹介）
１．異常検知の際に一切データベース固有の学習を行っていないこと。
２．異常検知での識別に利用される特徴量は、正常クラス内では大きな違いがないという示唆。
SkillupAI深層学習による異常検知一覧 <- 概要説明（論文リンクあり）
【深層学習（ディープラーニング）による異常検知】シリーズその1
【自己符号
教師なし学習による異常音検知～AutoEncoder色々～
「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoderの続きです。
背景CNN（教師あり学習）とAutoEncoder（教師なし学習）を比較した場合、f1-score、Recall（再現率）・Precision（適合率）・学習時間において、CNNがAutoEncoderよりも優れている結果となりました。一方で、異常検知というタスクでは、未知の異常モードが存在するため教師なし
「ToyADMOS:異常音検知」：CNN
「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoder の続きです。CNNのコードと実行結果サンプルを以下に示します。
概要この例では、CNNをトレーニングします。
データセットは、ToyADAMOSのToyCar、Case4、CH１です。
このデータセットには、1335 の正常データ、263個の異常データが含まれ、それぞれに 528000 のデータポイントがあります。各
「ToyADMOS:異常音検知」：AutoEncoder
「ToyADMOS:異常音検知」手法比較：CNN＋DNN と AutoEncoder の続きです。AutoEncoderのコードと実行結果サンプルを以下に示します。
概要この例では、オートエンコーダーをトレーニングして異常を検出します。
データセットは、ToyADAMOSのToyCar、Case4、CH１です。
このデータセットには、1335 の正常データ、263個の異常データが含まれ、それぞ
「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoder
はじめに機械学習（ML）やディープラーニング（DL）の発展が目覚ましいため、この分野に関心を持っておりました。基礎から学ぶためにAidemyプレミアム（データ分析：6か月）を受講しました。
略歴：
半導体前工程データ分析（８年）⇒産業用ロボットの故障予知など（5年）
背景産業用機器の予兆・異常検知では振動計やモータ電流等を用いた手法が中心です。最近、音を用いた検出技術についても実用化されてきて
Aidemy Premium：データ分析講座を終えて
時系列分析に興味があったのでAidemy Premium「データ分析コース（6か月）」を、4月25日～10月23日の期間に受講しました。
給付金で最大70%の返還は大変魅力的なので、給付金を利用しました。ハローワークでのカウンセリングが面倒ですね。
アイデミーを選んだ理由アイデミーを選んだ理由は下記3点です。
時系列分析の学習（時系列分析を学べる講座が少なかった）
成果物作成 （アウト