少数データ・データ不足を補う機械学習技術 ～シミュレーション／人間の知識の援用、データ取得の工夫等のテクニック～

機械学習を活用する際よく直面する「データ数不足」
それを解決するための様々な戦略を、事例を交えて解説！

セミナー講師

 赤穂 昭太郎 先生  
 産業技術総合研究所 人間情報インタラクション研究部門 脳数理研究グループ 上級主任研究員

セミナー受講料

【オンライン：見逃し視聴なし】：1名47,300円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき36,300円

【オンライン：見逃し視聴あり】：1名52,800円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき41,800円

＊学校法人割引；学生、教員のご参加は受講料50％割引。

受講について

※本講座は、お手許のPCやタブレット等で受講できるオンラインセミナーです。

配布資料・講師への質問等について

• 配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
  （開催1週前～前日までには送付致します）。
  ※準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
  （土、日、祝日は営業日としてカウント致しません。）
• 当日、可能な範囲で質疑応答も対応致します。
  （全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
• 本講座で使用する資料や配信動画は著作物であり、
  無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。

下記ご確認の上、お申込み下さい

• PCもしくはタブレット・スマートフォンとネットワーク環境をご準備下さい。
• ご受講にあたり、環境の確認をお願いしております（20Mbbs以上の回線をご用意下さい）。
  各ご利用ツール別の動作確認の上、お申し込み下さい。
• 開催が近くなりましたら、当日の流れ及び視聴用のURL等をメールにてご連絡致します。

Zoomを使用したオンラインセミナーとなります

• ご受講にあたり、環境の確認をお願いしております。
  お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
  → 確認はこちら
  ※Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomでカメラ・マイクが使えない事があります。お手数ですがこれらのツールはいったん閉じてお試し下さい。
• Zoomアプリのインストール、Zoomへのサインアップをせずブラウザからの参加も可能です。
  ※一部のブラウザは音声（音声参加ができない）が聞こえない場合があります。
  　必ずテストサイトからチェック下さい。
  　対応ブラウザーについて(公式) ;
  　「コンピューターのオーディオに参加」に対応してないものは音声が聞こえません。

申込み時に（見逃し視聴有り）を選択された方は、見逃し視聴が可能です

• 開催5営業日以内に録画動画の配信を行います（一部、編集加工します）。
• 視聴可能期間は配信開始から1週間です。
  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。
  尚、閲覧用のURLはメールにてご連絡致します。
  ※万一、見逃し視聴の提供ができなくなった場合、
  （見逃し視聴有り）の方の受講料は（見逃し視聴無し）の受講料に準じますので、ご了承下さい。
  →こちらから問題なく視聴できるかご確認下さい（テスト視聴動画へ）パスワード「123456」

セミナー趣旨

  現在の機械学習ではビッグデータと呼ばれる大量のデータを用いた学習を前提とすることが多い。しかし現実には、データの取得に金銭的・時間的コストがかかり、少数のデータしか得られないというケースも多く、単純に機械学習を適用しても満足のいく精度が出ないことがある。本セミナーでは、人間の知識やシミュレーションを援用したり、機械学習のために効率的なデータ取得を工夫したりといった、少数データ解析のための戦略について事例を交えながら紹介する。

受講対象・レベル

・製造業などで少数データを製品設計などにうまく活用したいと思われている方
・機械学習の結果の解釈や評価法に興味がある方

必要な予備知識

特に必要ありませんが、高校～大学初級程度の線形代数・確率の知識があるとより理解がしやすいと思います。

習得できる知識

・人間の知識やシミュレーションを機械学習と組み合わせる技術
・機械学習のための効率的なデータの採取法
・機械学習の結果の解釈や評価の仕方
   など

セミナープログラム

1．機械学習の概要
　1）ビッグデータとディープデータ
　2）次元の呪いと汎化能力
　　a）線形回帰を例として（一番簡単な機械学習）
　　b）汎化能力と高次元データ
　3）データ解析の基本手順
　　a）開発言語のいろいろ
　　b）いろいろな可視化プロット
　　c）主成分分析とクラスタリング
　　d）機械学習の基本手法
2．少数・高次元データの学習のための技術
　1）スパースモデリングと正則化
　　a）交差検証法
　　b）いろいろな正則化の比較
　2）圧縮センシングによる高解像度撮像
　　a）ブラックホールやMRIの撮像技術
　3）シミュレーションデータを活用したスパースモデリング
3．人間の知識をモデル化するための技術
　1）ベイジアンネットを使ったモデル化法
　　a）ベイズの定理と生成モデル
　　b）ベイジアンネットワーク
　　c）グラフィカルLASSO
　2）ベイズ推論のための計算アルゴリズム
　　a）信念伝播法
　　b）マルコフ連鎖モンテカルロ法
　3）データ同化と状態空間モデルによる時系列モデリング
　　a）カルマンフィルタとパーティクルフィルタ
4．結果の評価・可視化・説明
　1）機械学習結果の評価法
　2）信頼度付き機械学習
　　a）ガウス過程回帰
　　b）機械学習と仮説検定
　3）ディープラーニングの結果の解釈と説明
　　a）感度分析
　　b）敵対的学習
5．データ不足を補ういろいろな技術
　1）異常検知のための技術
　2）半教師あり学習とクラウドソーシング
　　a）欠損値補完
　3）転移学習とマルチタスク学習
　　a）ディープラーニングにおける少数画像の学習
　4）能動学習とベイズ最適化によるデータ取得法
　　a）アクティブラーニング
　　b）ベイズ最適化
　　c）マルコフ連鎖モンテカルロ法による最適化
＜質疑応答＞

＊途中、お昼休みや小休憩を挟みます。