最近は、人工知能＝機械学習＝深層学習(ディープラーニング)と考えてあらゆる問題を深層学習で解こうとする傾向がありますが、深層学習は便利な手法である反面、①学習に膨大な教師データが必要、②回路網の設計に経験と勘が必要、③処理の説明性が著しく低い、④構築後の処理を人手で調整することは不可能、⑤手法の一部が特許化されており法的リスクがあるなど、企業での利用に必ずしも適しているとは言えません。これに対し講師らは、以前から「画像処理＝最適化問題」と捉え、強力な最適化法である進化計算法によってこれらの欠点を持たない「進化的画像処理・認識」の開発と産業応用を行なってきました。
　本セミナーは、開発者本人である講師が「進化的画像処理・認識」のすべてを平易に解説する他には例がないセミナーです。画像処理や認識にご関心があり、深層学習に業務利用上の問題を感じておられる方はぜひ受講頂ければ幸いです。進化的画像処理の体験版プログラムの配布などの特典もあります。本セミナー受講後、・機械学習と深層学習の概要と課題、・進化計算法の原理と様々な手法、・進化的画像処理・認識の原理・特徴・応用、等を習得できることを目指します。

1　機械学習と深層学習の概要と課題
　　1.1　人工知能と機械学習　【補足】生成系AIと説明可能AI：XAI
　　1.2　機械学習の種類と方法
　　1.3　深層学習の概要と問題点

2　進化計算法の原理と方法
　　2.1　進化計算法の原理と進化戦略（ES）・PSOなど
　　2.2　遺伝的アルゴリズム（GA）と実数値GA・CMA-ESなど
　　2.3　遺伝的プログラミング（GP）とCGP・GMAなど
　　2.4　種々の応用手法と最近の話題

3　進化的画像処理（1）数値パラメータの最適化
　　3.1　原理と実装方法
　　3.2　応用例1：2D図形の検出と位置決定
　　3.3　応用例2：3D物体の3次元姿勢推定

4　進化的画像処理（2）組合せ・構造の最適化
　　4.1　原理と実装方法
　　4.2　応用例1：線形リスト構造
　　4.3　応用例2：木構造（ACTIT・CRAFTIT・GMA）
　　4.4　応用例3：ネットワーク構造（GIN）
　　4.5　応用例4：セル型回路構造（CRFCN）

5　進化的画像認識（1）前処理・特徴量の最適化
　　5.1　原理と実装方法
　　5.2　応用例1：特徴量の最適化（ACSYS）
　　5.3　応用例2：前処理の最適化（SIFTER）

6　進化的画像認識（2）処理構造の最適化
　　6.1　原理と実装方法
　　6.2　応用例1：認識処理全体の全自動設計（GIN-IC）
　　6.3　応用例2：進化的条件判断ネットワーク（EDEN）
　　6.4　応用例3：深層回路の線形回路化（DNN2EME）
　　6.5　応用例4：判断根拠を説明できる深層回路（EGCM）

7　まとめ
　　7.1　まとめと今後の展望
　　7.2　業務への機械学習導入上の注意点
　　7.3　何でも相談室・フリーディスカッション

付録1：代表的な機械学習法
付録2：現状の画像認識の抱える課題と対策
付録3：画像認識システムの選定・導入上の問題点
付録4：ChatGPTなどの生成系AI
付録5：長尾研・YNU人工知能研究拠点のご紹介