最適化技術の本命：進化計算法（EC:Evolutionary Computation）の基礎と応用

セミナー趣旨

現在，深層学習や生成系AI などの機械学習や人工知能（AI）の話題が毎日のように取り上げられ，社会の関心が集まっています．
深層学習は多層ニューラルネットワークの入力に対する回路の出力の「誤差」を最小化する技術です．
また，量子計算における量子アニーリングは問題を最小値探索問題として記述して，最適値を求めることです．
つまり，全ての人工知能や情報処理は「最適化問題」として記述することができます．
最適化は非常に広い概念であるとともに，あらゆる工学・産業・社会を制する技術であると言えます．
最適化問題を解く最適化法は古くから様々な手法が開発されてきましたが，適用対象が限定されるものが多く，
対象によっては適用できません．講師らは，最適化法の中でも，生物進化から着想され，
様々な最適化問題に適用可能な進化計算法（EC：Evolutionary Computation）に以前から注目して長年に渡って研究を続けてきました．
そして，進化計算こそが最も重要な最適化技術であると確信しています．
本セミナーでは，今後益々その重要性とニーズが高まると予想される進化計算法の基礎から応用までを易しく解説します．
企業などでの様々な業務に有効に活用して処理の最適化・効率化・自動化を促すことが可能です．
受講にあたって数学・人工知能・機械学習・深層学習・最適化などに関する予備知識は特に必要としません．
ご関心がおありでしたら，ご自身のご専門や職種・業種に関係なく奮ってご参加下さい．

セミナープログラム

　1　最適化＝全てを制する工学技術
　　1.1　工学・人工知能・機械学習と最適化の関係
　　1.2　最適化問題・最適化法の種類と特徴

　2　進化計算法（EC：Evolutionary Computation）の基礎
　　2.1　基本的な考え方
　　2.2　遺伝的アルゴリズム（GA）
　　2.3　遺伝的プログラミング（GP・CGP）
　　2.4　進化戦略（ES）と実数値最適化（CMA-ES）
　　2.5　進化型多目的最適化（EMO）
　　2.6　様々な進化計算法（GMA・EDEN・GRAPE他）

　3　進化計算法（EC）の応用
　　3.1　最大／最小値探索への応用
　　3.2　関数推定への応用
　　3.3　画像処理・認識への応用
　　3.4　進化型神経回路網への応用
　　3.5　深層回路の最適化への応用
　　3.6　ルール集合の最適化への応用
　　3.7　マルチエージェント制御への応用

　4　まとめと質疑応答

セミナー講師

長尾智晴（ながおともはる）氏　 　　　
横浜国立大学　総合学術高等研究院　上席特別教授（工学博士）
YNU人工知能研究拠点長　／　株式会社マシンインテリジェンスCTO
 ＜専門＞
知能情報学／パターン認識と機械学習／知能ロボティクス／感覚知覚情報処理／知的画像処理／進化計算法／
医工連携工学など「人と機械の知能」に関する広範囲な分野。企業との共同研究など産学官連携活動に力を入れている。
＜経歴、等＞ 　
東京工業大学大学院出身．東京工業大学工学部助手・助教授を経て，2001年より横浜国立大学教授．
経産省NEDO「共進化AIプロジェクト」採択課題研究代表者，
横浜国立大学発ベンチャー株式会社マシンインテリジェンス取締役CTO を兼務．
 ＜研究＞ 　
知能情報学／進化計算法／機械学習／感性情報処理／知的画像処理／医工連携工学など．
 ＜学会＞ 　
情報処理学会，電子情報通信学会，人工知能学会，進化計算学会，IEEE などに所属して各学会で活動中．

セミナー受講料

お1人様受講の場合　51,700円[税込]／1名
1口でお申込の場合　66,000円[税込]／1口（3名まで受講可能）

受講について

• 本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。
• インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。
• 受講中の録音・撮影等は固くお断りいたします。