CMCリサーチウェビナー【ライブ配信】 のご案内
開催日時：2021年3月17日（水）13:30～16:30
受 講 料：40,000円 + 税 ＊ 資料付
＊メルマガ登録者 36,000 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。
お申し込み受付中
申込方法
ウェビナー参加のお申込は、下記のカートへの投入、あるいはFAX用紙にてお願いします。
セミナーお申し込み前に必ず こちら をご確認ください。
| FAX申込用紙PDF | ||
| [メルマガ登録者はこちらから] 弊社のメルマガ登録者は、参加費が10％引きになります。メルマガ登録をされていない方で、登録をご希望の方は、メルマガ登録を行ってから、ウェビナー参加を、お申込ください。 → メルマガ登録ページ メルマガ登録者のウェビナー参加は、下記のカートへの投入によってお申込ください。 また、FAX申込用紙でお申込の場合は、FAX申込用紙のメルマガ登録の項にチェックをお願いします。 |
||
| FAX申込用紙PDF | ||
| ◇◇ メルマガ会員特典での複数名の受講申込みはこちらから ◇◇ 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ている場合、2人目は無料、3名目以降はメルマガ価格の半額です。複数名の受講申込みで、メルマガ登録をされていない方がおられる場合には、メルマガ登録を行ってから、ウェビナー参加を、お申込ください。 → メルマガ登録ページ ウェビナー参加のお申込は、下記のカートへの投入、あるいはFAX用紙にてお願いします。 |
|||
| 受講者1 （メルマガ価格） | FAX申込用紙PDF | ||
| 受講者2 （受講料無料） | FAX申込用紙PDF | ||
| 受講者3 （受講料半額） | FAX申込用紙PDF | ||
| 受講者4 （受講料半額） | FAX申込用紙PDF | ||
| 受講者5 （受講料半額） | FAX申込用紙PDF | ||
| ＊ 6名以上の受講については、CMCリサーチまでお問い合わせください。 → お問い合わせページ | |||
| [アカデミック価格申込者はこちらから] | ||
| FAX申込用紙PDF | ||
講 師
村田 剛志 氏 東京工業大学 情報理工学院 情報工学系 知能情報コース 教授
【講師経歴】
1990年 東京大学 理学部 情報科学科 卒業
1992年 同大学院 理学系研究科 修士課程修了。
現在、東京工業大学情報理工学院教授。博士(工学)
【研究歴】
人工知能、ネットワーク科学、機械学習に関する研究に従事。
【所属学会】
人工知能学会、情報処理学会，日本ソフトウエア科学会，AAAI，ACM 各会員
【著 書】
「Python で学ぶネットワーク分析 –- Colaboratory と NetworkX を使った実践入門」(オーム社, 2019)
セミナーの趣旨
深層学習は，画像認識や自然言語処理などの分野において華々しい成果を収めてきており，それをグラフに適用するための研究が近年非常に盛んになってきている。グラフやグラフ中の頂点を高精度に分類することができれば，高度な画像認識，推薦システム，交通量予測，化合物分類などへの応用が期待できる。その一方で，グラフを扱う上での固有の問題やチャレンジがあることも指摘されてきている。本セミナーでは，グラフニューラルネットワークの基本的な知識およびいくつかの研究事例について紹介するとともに，今後の学習のための情報源などについても述べる。
セミナー対象者
深層学習のグラフへの適用に興味がある方
セミナーで得られる知識
・ グラフニューラルネットワークの基礎知識
・ グラフニューラルネットワークの応用
・ 今後の学習のための情報源
プログラム
※ 適宜休憩が入ります。
畳み込みニューラルネットワーク, グラフの深層学習, グラフを対象としたタスク
2．グラフニューラルネットワークの応用:
画像認識, 推薦システム, 交通量予測, 化合物分類, COVID-19とグラフニューラルネットワーク
3．グラフエンベディング:
エンベディング, DeepWalk, LINE
4．Spectral Graph Convolution:
グラフ畳み込みのアプローチ, グラフラプラシアン, グラフフーリエ変換, ChebNet, GCN
5．Spatial Graph Convolution:
PATCHY-SAN, DCNN, GraphSAGE
6．最近のトピックス:
Attention, GAT, GraphRNN, 単純化, 可能性・限界の考察, 説明可能性
7．今後の課題:
浅い構造, 動的グラフ, 非構造データ, スケーラビリティ
8．Pytorch による実装:
深層学習ライブラリ, Pytorch, Pytorch Geometric, Open Graph Benchmark
9．今後の学習のための情報源:
サーベイ論文, 書籍, Web上の情報源, チュートリアル