化学品の市場調査、研究開発の支援、マーケット情報の出版

トリケップスセミナー

     開催日時:2017年3月29日(水)11:00~16:00
     会  場:オームビル  → 会場へのアクセス 
          〒101-8460 東京都千代田区神田錦町3-1
     参 加 費:お1人様受講の場合 46,000円 (税別/1名)
          1口(1社3名まで受講可能)でお申し込みの場合 57,000円 (税別/1口)

講 師

 鈴木大慈(すずきたいじ)氏
 東京工業大学 情報理工学研究科 数理・計算科学専攻 准教授(博士(情報理工学))

<略歴等>
 2004年 東京大学 工学部 計数工学科卒業
 2009年 同大学大学院 情報理工学系研究科 数理情報学専攻博士課程修了
 2009年 同専攻にて助教に着任
 2013年 東京工業大学 情報理工学研究科 数理・計算科学専攻 准教授
  現在に至る

 東京大学情報理工学系研究科長賞、2012年度IBISML研究会賞,2014年度東京工業大学挑戦的研究賞学長特別賞などを受賞
 専門は統計学と機械学習,特に高次元スパース推定やノンパラメトリック推定の理論,情報幾何学,確率的最適化に興味がある.

セミナーの概要

 機械学習の応用において,画像や遺伝子データといった高次元データは頻繁に現れ,その重要性は高い.高次元データ解析には,データの含む不必要な情報に学習結果が影響され,過学習を引き起こしやすいという難しさがある.このような問題を回避する有効な方法として「スパース学習」がある.スパース学習は,データの本質的に意味のある情報の低次元性(スパース性)を利用し,目的に関係ない情報を削除しながら学習をする方法である.
 本講義では,スパース学習の全体像を概略的に説明する.まず,スパース学習が有効な統計モデルを紹介し,その上でどのようなスパース学習手法があるかを解説する.そして,その統計理論や,画像処理などのいくつかの応用も紹介する.さらに,スパース学習を実現させる計算手法として,効率的な最適化手法も講義する.

講義項目

1 特徴選択の問題

2 各種正則化学習法
 2.1 L1正則化
 2.2 グループ正則化
 2.3 トレースノルム正則化
 2.4 階層的正則化
 2.5 グラフ型正則化

3 各種正則化に対応するスパース性

4 スパース学習の統計的学習理論

5 スパース学習を用いた高次元データの統計的検定手法

6 画像処理とスムージング

7 正則化学習法の最適化手法
 7.1 近接勾配法
 7.2 確率的勾配降下法
 7.3 確率的座標降下法
 7.4 確率的分散縮小勾配法