ベイズ統計から学ぶ統計的機械学習～確率の基礎からグラフィカルモデル、応用・実装例まで包括的に学ぶ～

セミナー趣旨

  本セミナーでは、確率的グラフィカルモデルと呼ばれる統計的機械学習モデルをテーマとして扱います。確率的グラフィカルモデルの利点は、なんと言っても、これ一つで多くのデータサイエンスができるようになるという点です。データサイエンスの技術が学術界に留まらず、広く社会に大きな影響を与え始めています。データサイエンスの中の主要な柱はデータマニング技術（つまり、データ分析技術）と、AI技術の2つであり、これらの技術はこれからも社会変革をもたらしていくと予想されます。しかしながら、特にAI技術にはまだ大きな問題が残されています。それはシステムの説明性の低さです。出来上がったAIシステムの中身を人が説明できないのです。人の設計思想がシステム構築に入り辛いというのが原因の一つです。残念ながらこの問題はそう簡単には解決しそうもありません。
  よりエンジニアリングに近い位置での（つまり、設計思想が色濃く反映されている方法での）問題解決法があれば理想です。その意味では伝統的なエンジニアリングは素晴らしいものです。人の設計思想を基礎として、そこにデータサイエンスの流儀をプラスアルファで取り込めれば、今のディープラーニングとは一風異なる方向性での未来が可能となるでしょう。本セミナーで扱うテーマは、そのような新たな方向性の実現に役立つポテンシャルをもった理論なのです。ただ残念なことに、学術業界以外では、確率的グラフィカルモデルに対する認知はまだほとんど広がっていません。
  本講義では、初学者にも分かりやすいよう、統計的機械学習理論を学ぶ上で重要となるトピックは網羅的に解説し、理論の基礎から全体像、そして、応用に対する考え方に至るまでを習得できるようにします。また、初学者だけに限らず、統計的機械学習理論を多少聞きかじったけれども、しっかりと基礎部分を把握しておきたいという方にもピッタリな内容となっています。内容の性質上、数式が多数出現しますが、必要に応じて補足をしていくので特殊な専門知識は必要ありません。大学初年度レベルの微積分、線形代数、確率統計の知識があるとより楽しめると思います。

受講対象・レベル

・新しい（将来の）データサイエンスの切り口を知りたい方
・確率・統計に基づくデータサイエンスに興味のある方
・普通の機械学習に限界を感じている方
・AIとは異なる新しい問題解決法を模索している方
・これって本当にAIが必要か？と思ったことがある方

必要な予備知識

・大学初年度レベルの微積分、線形代数、確率統計の知識。

習得できる知識

・統計的機械学習理論の基礎理解と概要把握から、実装に至るまでの一通りの知識を習得できる。
・データサイエンスに関する包括的な知識を習得できる。
・新しい機械学習の可能性を知ることができる。

セミナープログラム

1. はじめに
 (1) データマイニングと人工知能
 (2) 機械学習とは何か？
  a. 教師あり学習
  b. 教師なし学習
 (3) 深層学習概説
 (4) データマイニングと人工知能の違い
 (5) 統計的機械学習の目的とメリット
2. 確率の基礎とベイズ統計、そして最尤推定
 (1) 確率の基礎と例題
  a. 規格化条件と統計量
  b. 確率の和法則と積法則
  c. 例題で理解しよう
 (2) ベイズ統計
  a. ベイズの定理と事後確率
  b. 最大事後確率推定
 (3) 最尤推定： 統計的機械学習理論の最重要技術
  a. 最尤推定の考え方
  b. 未観測データがある場合の最尤推定とEMアルゴリズム
 (4) 少し進んだ話題
  a. 階層ベイズという考え方： 超事前分布のメリット
3. グラフィカルモデルの基礎とマルコフ確率場
 (1) グラフィカルモデルとは？
 (2) マルコフ確率場
  a. ボルツマンマシン
  b. ガウス型マルコフ確率場
 (3) マルコフ確率場の統計的機械学習の方法
  a. 最尤法
  b. 最尤法と情報理論
  c. EMアルゴリズム
 (4) マルコフ確率場の問題点
  a. 組み合わせ爆発の問題
  b. 近似的アプローチ （モンテカルロ積分法）
4. マルコフ確率場の応用例 （データ生成モデル、データマイニング）
 (1) 画像ノイズ除去
 (2) 道路交通量の（ナウ・キャスト）推定
 (3) グラフマイニング
  a. スパースモデリングのアプローチ
  b. 項目間の関連マップの抽出
5. 人工知能と統計的機械学習
 (1) パターン認識問題とは？
 (2) 説明可能な人工知能を目指して
  a. ディープ・アンサンブル
  b. 事後分布による入出力逆推定
6. おわりに
 (1) 統計的機械学習の意義とこれから

■ご講演中のキーワード
統計的機械学習、グラフィカルモデル、マルコフ確率場、データサイエンス、データマイニング、人工知能、スパースモデリング

■受講された方の声（一例）：
・具体的な例えがわかりやすく、理解しやすかったです。
・統計的な機械学習への理解の為に参加させていただきました。ありがとうございました。
・基礎から応用まで、非常にわかりやすいセミナーで、参加して正解でした。ありがとうございました。
・統計的機械学習、特にマルコフ確率場は、データ分析分野において今後重要な理論・技術になりえるものと感じました。
・非常にわかりやすかった 。今回の教師の方のセミナー、はまた受講してみたいです。
   などなど……ご好評の声を多数頂いております！

セミナー講師

 山形大学 大学院理工学研究科 教授　  安田 宗樹 先生

■ご略歴
平成20年3月に東北大学大学院情報科学研究科博士後期課程を修了し、博士号（情報科学）を取得。
同年4月～7月日本学術振興会特別研究員として、機械学習並びに情報統計力学の研究に従事、
東北大学大学院情報科学研究科助教、山形大学大学院理工学研究科准教授を経て、現在に至る。
■ご専門および得意な分野・ご研究
1． 統計的機械学習、深層学習
2． データサイエンス（人工知能、及び、データマイニング）
3． 信号処理
4． 情報統計力学
■本テーマ関連学協会でのご活動
1． 電気情報通信学会　正会員
2． 情報処理学会　正会員
3． 日本物理学会　正会員

セミナー受講料

【オンラインセミナー（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

【オンラインセミナー（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

• 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。）
• 受講にあたってこちらをご確認の上、お申し込みください。
• Zoomを使用したオンラインセミナーです
  →環境の確認についてこちらからご確認ください
• 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
  →こちらをご確認ください