在基礎設施與製造領域，利用時序波形Data的AI，進行高可靠性與高效能的設備診斷逐漸受到關注。在這些行業中，不僅要求AI的判斷性能提升，還需要現場專家能夠解釋AI的判斷依據，即具備可解釋性。
此外，在高可靠設備中，異常數據的發生機會極少。
本課題將介紹AI的可解釋性、異常檢測及時序波形Data的知識，並詳解「僅僅利用正常波形學習的高可解釋異常檢測AI」，並展示應用實例。
一、AI的一般分類（問題設置、簡單的分類方法）
二、AI的可解釋性
2-1. AI可解釋性中的課題與要求
2-2. 實現AI可解釋性的方法
三、時序波形數據分析方法
3-1. 時序波形數據的特點與挑戰
3-2. 公開數據（UCR Time Series Archive）介紹
3-3. 高可解釋的時序波形分類方法（Shapelets學習法）
四、AI的一般異常檢測
4-1. 異常數據少時的挑戰
4-2. 異常數據少時的應對策略（過採樣、成本敏感學習、單類分類）
五、異常數據少時的評估指標
5-1. 再現率、適合率、F值
5-2. ROC曲線、AUC
六、僅使用正常波形數據學習的高可解釋異常檢測AI（OCLTS）
6-1. 運作原理
6-2. 變電所開關裝置的應用實例
三建可為企業規劃專屬內訓課程，含客製化大綱、講師派遣與教材配套。