機械学習による適応的実験計画の方法と実践

機械学習を活用した効率的な実験データ収集・データ分析実践のために！ベイズ最適化などの基礎的な方法論から実際のモデル・実験計画への落とし込みについて、具体例を通じて学べます。 　 

セミナー講師

 名古屋大学大学院 医学系研究科 臨床医薬学講座 生物統計学分野 講師 博士（情報科学）　松井 孝太 氏

■関連著書：ベイズ最適化に関する書籍今村秀明、松井孝太著「ベイズ最適化」（近代科学社）、2023年

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

セミナー趣旨

  科学的な営みを実行していく上で「設計」や「計画」はおろそかにすることができない重要なプロセスである。設計や計画が問題の根幹となっている例は、ロボット開発、創薬、天然資源の探鉱など枚挙に暇がない。  近年、設計や計画問題に対するデータ駆動型のアプローチ、また、それを実現するための情報技術である機械学習が注目されている。データ駆動型のアプローチは、データ分析の方法だけでなく、データ収集の方法も考察および最適化の対象とする。特に後者の性質は、実験科学やものづくりなどデータ収集コストが非常に高く多くのデータを得ることが困難な分野においては、効率的にデータの取得と実験を行う上で重要な意味を持っていると考えられる。  本セミナーではデータ駆動型の機械学習アプローチの一つである適応的実験計画に注目し、その基本的な方法論を、特に「ベイズ最適化」と呼ばれる最適化手法および「能動的レベル集合推定」と呼ばれる領域推定手法の2つのアプローチに注目して説明する。  また、具体例を通して現実の問題をどのように計算機上でシミュレート可能なモデルに落とし込むか、というアイデアについても解説したい。

受講対象・レベル

医学（創薬）や材料科学など、データ取得コストが高い問題を扱う分野の実務者の方。

習得できる知識

・機械学習における、適応的実験計画の考え方・ベイズ最適化を始めとする適応的実験計画の基礎知識（モデリング、アルゴリズム）・機械学習による適応的実験計画の理論と実践方法

セミナープログラム

1．導入　1.1 機械学習によるデータ駆動型アプローチ　　 （適応的実験計画という考え方について）　1.2 適応的実験計画の問題設定、統計モデル、予測の不確実性について2．ベイズ機械学習モデルの基礎と適応的実験計画　2.1 ベイズ線形回帰モデル　2.2 ガウス過程回帰モデル　2.3 ガウス過程回帰モデルに基づく回帰のための適応的実験計画　2.4 カテゴリー値出力関数に対するガウス過程モデル3．ベイズ最適化の基礎と方法論　3.1 ベイズ最適化のアルゴリズム　3.2 獲得関数の設計　3.3 ベイズ最適化におけるハイパーパラメータの調整4．能動的レベル集合推定　4.1 レベル集合推定の問題設定　4.2 レベル集合の判定方法　4.3 レベル集合推定のための獲得関数5．より複雑な問題に対するベイズ最適化　5.1 制約付きベイズ最適化　5.2 コスト考慮型ベイズ最適化　5.3 多目的ベイズ最適化　5.4 複数条件を同時に観測できる問題のためのベイズ最適化　5.5 高次元のベイズ最適化6．事例紹介　6.1 深層学習におけるパラメータ調整への応用　6.2 レベル集合推定による材料の低品質領域の高速推定　6.3 シリコンエピタキシャル成長プロセスの最適化　6.4 抗がん剤第1相臨床試験における最大耐用量推定のためのレベル集合推定7．ベイズ最適化の実行　7.1 Pythonによるベイズ最適化の実装方法の紹介　7.2 ベイズ最適化の実行例のデモ紹介＜質疑応答＞