・見逃し視聴ありでお申込み頂いた方は、セミナーの録画動画を一定期間視聴可能です。
・セミナーを復習したい方、当日の受講が難しい方、期間内であれば動画を何度も視聴できます。
・原則、遅くとも開催4営業日後までに録画動画の配信を開始します（一部、編集加工します）。
・視聴期間はセミナー開催日から4営業日後を起点に1週間となります。
ex) 2/6（月）開催 セミナー → 2/10（金）までに配信開始 → 2/17（金）まで視聴可能
※メールにて視聴用URL・パスワードを配信します。配信開始日を過ぎてもメールが届かない場合は必ず弊社までご連絡ください。
※準備出来しだい配信致しますので開始日が早まる可能性もございます。その場合でも終了日は変わりません。
上記例の場合、2/8（水）から開始となっても2/17まで視聴可能です。
※GWや年末年始・お盆期間等を挟む場合、それに応じて弊社の標準配信期間設定を延長します。
※原則、配信期間の延長は致しません。
※万一、見逃し視聴の提供ができなくなった場合、
（見逃し視聴あり）の方の受講料は（見逃し視聴なし）の受講料に準じますので、ご了承ください。
→見逃し視聴について、
こちらから問題なく視聴できるかご確認ください。（テスト視聴動画へ） パスワード「123456」
セミナーポイント
近年，ビッグ・データ時代の幕開けとともに認知コンピューティングへの関心が高まっています．特にクラウドのみならず，エッジから発生するビッグ・データに対し，分類や識別，予測と言った認知処理をいかに効率よく行うかが産業競争力を左右すると考えられています．そこで，近年注目されているのが，深層学習に代表されるニューラル・ネットワークなどの機械学習処理です．本講演では，認知コンピューティングの有力な手法である，ニューラル・ネットワークの基礎からはじめ，再帰的ニューラル・ネットワークの新たなアーキテクチャーとして注目されているリザバー・コンピューティングの理論について詳しく解説いたします．
リザバー・コンピューティングは通常の再帰ニューラル・ネットワークや深層学習と比較してモデルの構造が簡略化されているため、学習時や動作時（推論時）のコストが著しく低いという特徴があります．さらに大規模機械学習モデルと比較して少量のデータでリアルタイム学習を高精度に実現することが可能であり，運用も容易なことから，クラウドだけでなくエッジも含めた幅広い分野への応用が期待されています．
一方，機械学習を実行するプラットフォームにおいては，従来の汎用プロセッサとソフトウェアによるニューラル・ネットワークの実装は半導体技術の限界に伴い十分な処理効率が得られない場合もあり，大きな壁にぶつかりつつあります．そこで，従来のソフトウェア処理に代わる，ニューロモルフィック・コンピューティングと呼ばれるニューラル・ネットワークの処理に特化したデバイスの研究が盛んに行われております．リザバー・コンピューティングもこれらのデバイスによって実装することで十分な処理効率が期待できます．
また近年，リザバー・コンピューティングはニューラル・ネットワークを直接用いることなく，非線形素子により実行が可能であることがわかってきました。このように，リザバー・コンピューティングに対しては様々な物理系のダイナミクスをリザバーとして直接利用する実装技術が多数提案されています。これにより、アルゴリズムだけでなくデバイスの観点からも，物理系のもつ高速性や低消費電力性を活かした実装が可能です．
本講演ではニューラルネットワーク・機械学習の基礎から始め，リザバー・コンピューティングの機械学習アルゴリズムとしての特徴と機械学習デバイス実装，IoTエッジ・コンピューティングなどの次世代ITシステムへの応用について解説します．
○受講対象：
・機械学習や人工ニューラル・ネットワークに関心のある方，特にリザバー・コンピューティングについて学習したい方．
・脳型のデバイスの最近の動向，特に物理リザバー・コンピューティングの最近の進展と応用について関心のある方．
○受講後、習得できること：
・人工ニューラルネットワーク，特にリザバー・コンピューティングに関する知識．
・脳型ハードウェア，特に物理リザバー・コンピューティングとその応用についての知識．
セミナー内容
1.はじめに：ビッグデータ時代と認知コンピューティング
2.機械学習と人工ニューラルネットワークの基礎
2.1 機械学習と人工ニューラルネットワークの歴史
2.2 代表的な機械学習手法
2.3 代表的なニューラルネットワーク
3.リザバー・コンピューティングの仕組み・特徴
3.1 リザバー・コンピューティングの構成・アルゴリズム
3.1.1 Echo State Network
3.1.2 Liquid State Machine
3.2 機械学習モデルとしてのリザバー・コンピューティング
3.2.1 転移学習・マルチタスク学習
3.2.2 AI基盤モデル
3.3 リザバー・コンピューティングのライブラリ実装
3.4 性能向上のための考慮点
3.5 代表的なベンチマークタスク
4.ニューロモルフィック・デバイスの構造・特徴とその性能
4.1 従来型のコンピューティングの限界
4.2 デジタルAIハードウェア
4.2.1 SpiNNaker
4.2.2 IBM TrueNorth, NorthPole
4.3 アナログAIハードウェア
4.3.1 Analog Memristive Device
4.3.2 Photonic Neuromorphic Device
5.物理リザバー・コンピューティング
5.1 電気系（FPGA，アナログ電気回路）
5.2 光系（面発光レーザ，半導体光増幅器）
5.3 磁気系（磁性薄膜）
5.4 機械系（MEMS）
5.5 化学系（DNA）
5.6 量子系 (量子スピン)
5.7 既存技術の再利用
5.8 ニューロモルフィック・デバイスとリザバー・コンピューティング
5.9 数理モデルから物理系へ
6.リザバー・コンピューティングの産業応用とその性能要件
6.1 音声認識
6.2 画像認識
6.3 ロボット制御
6.4 IoTとエッジ・コンピューティング
7.まとめ・参考文献
＜質疑応答＞
よくあるお問合せ
リクエスト
セミナー会場へのアクセス
