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

 
* 本ウェビナーは開催済みです。再開催のご要望があれば、お知らせください。

        再開催を希望   

CMCリサーチウェビナー【ライブ配信】

       開催日時:2021年3月26日(金)10:30~16:30 
       受 講 料:48,000円 + 税  * 資料付
          *メルマガ登録者 43,000 円 + 税
          *アカデミック価格 24,000 円 + 税
         パンフレット

※ 本セミナーは、当日ビデオ会議ツール「Zoom」を使ったライブ配信セミナーとなります。
 お申し込み前に、下記リンクから視聴環境をご確認ください。
   → https://zoom.us/test
 ★ アカデミック価格:学校教育法にて規定された国、地方公共団体および学校法人格を有する大学、大学院の教員、学生に限ります。
 ★【メルマガ会員特典】2名以上同時申込で申込者全員メルマガ会員登録をしていただいた場合、2名目は無料、3名目以降はメルマガ価格の半額です。
 ★ お申込み後のキャンセルは基本的にお受けしておりません。ご都合により出席できなくなった場合は代理の方がご出席ください。

講 師

 安田 宗樹 氏  山形大学大学院 理工学研究科 准教授

【講師経歴】
 2008.3 東北大学大学院 情報科学研究科 博士課程後期3年の課程修了 博士(情報科学)
 2008.3-7 日本学術振興会 特別研究員 PD
 2008.8-2013.3 東北大学大学院 情報科学研究科 助教
 2013.4- 山形大学大学院 理工学研究科 准教授(現職)

【所属学会】
 電子情報通信学会、日本物理学会

【著 書】
 (1) 映像情報メディア工学大事典,オーム社,2010
 (2) コンピュータビジョン最先端ガイド 3,アドコムメディア社,2010
 (3) 深層学習,近代科学社,2015
 (4) 人工知能大辞典,共立出版,2017
 (5) 画像処理の統計モデリング,共立出版,2018
 (6) スパースモデリング,ジャムハウス,2019

セミナーの趣旨

 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(データマイニングや人工知能)ができるようになるという点です。これは、昨今の人工知能ブームにより盛り上がっているニューラルネットワークモデルとはその意味で一線を画すものです。データマイニングと人工知能を同時にこなすことのできる確率的グラフィカルモデルは、現在の人工知能の弱点(例えば、作成した人工知能の意味解釈が人間では困難である、など)を補填する可能性を大いに秘めた技術であり、将来の人工知能の核にもなり得る技術と期待しています。
 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。

セミナー対象者

 ・ 情報処理、システム、データ解析、ネットワーク、画像処理、音声処理、ロボット、自然言語処理他関連企業の方で人データマイニングや人工知能に興味のある方
 ・ 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

セミナーで得られる知識

 ・ 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。
 ・ データマイニングと人工知能に関する包括的な知識を習得できる。

プログラム

      ※ 適宜休憩が入ります。

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対比
 (5) 統計的機械学習の目的とメリット
 (6) 確率の基礎と例題
  a. 規格化条件
  b. 平均・分散
  c. 確率の和法則と積法則
  d. 確率の基礎を例題で理解する

2. 統計的機械学習の基礎とマルコフ確率場
 (1) ベイズ推定
 (2) 統計的機械学習の枠組み
 (3) マルコフ確率場
  a. 確率的グラフィカルモデルとは?
  b. ギブスサンプリング
  c. ボルツマンマシン
 (4) 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
 (5) マルコフ確率場の問題点
 (6) 問題解決のための近似的計算技術
  a. モンテカルロ積分法
  b. 最新のモンテカルロ積分法
  c. 確率伝搬法
 (7) ガウス型マルコフ確率場

3. 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) 統計的重回帰分析
  a. 通常の重回帰分析
  b. マルコフ確率場に基づく重回帰分析
 (2) 画像ノイズ除去
 (3) 道路交通量の(ナウ・キャスト)推定
 (4) グラフマイニング
  a. スパースモデリングのアプロー
  b. 項目間の関連マップの抽出

4. 人工知能への応用
 (1) パターン認識問題とは?
 (2) パターン認識問題のベイズ的定式化
 (3) 人工知能からの知識発掘
  a. 事後分布による逆推定
  b. AIシステムが何を見ているのか?

5. おわりに
 (1) 本講座のまとめ
 (2) 統計的機械学習の利点とこれから

 

関連図書

        機械・装置

関連セミナー/ウェビナー

        機械・エレクトロニクス・コンピュータ