機械学習・ディープラーニングの初めの一歩

機械学習はデータを取り扱う様々な分野に応用を広げている。新規に参入する際には敷居が高いと思われているが、ツールなども整備されており、ちょっとしたコツを身につければ最先端の技術も使いこなすのは難しくない。 　本講座では機械学習で何ができるのかを入門レベルから解説し、話題となっているディープラーニングなど機械学習の最先端技術に至るまでの一通りの道筋を易しく紹介する。

1. 機械学習で何ができるのか
   1. 機械学習とは
      1. 機械学習の目的
      2. 多変量解析やデータマイニングとの関係
   2. 機械学習の歴史
   3. 機械学習の最新の動向
   4. 機械学習でできること
   5. 機械学習のカスタマイズ
2. 機械学習の手法とその特徴
   1. 多変量解析法
      1. データの種類
      2. 回帰と予測
      3. 汎化能力と交差検証
      4. 次元の呪いと主成分分析
      5. クラスタリング
      6. パターン認識法
      7. ロジスティック回帰
      8. 凸最適化・勾配法
   2. ベイズモデリング
      1. 確率モデルの考え方
      2. 生成モデルと事前分布
      3. ベイジアンネット
      4. ナイーブベイズ法
      5. マルコフ連鎖モンテカルロ法
      6. 変分ベイズ法
      7. 状態空間モデルとパーティクルフィルタ
   3. カーネルマシン
      1. 線形モデルの拡張
      2. カーネル多変量解析
      3. サポートベクターマシン
      4. 正則化
   4. スパースモデリング
      1. 構造抽出とモデル選択
      2. 情報量規準
      3. 圧縮センシングとLASSO
   5. ディープラーニング
      1. ニューロブームと歴史
      2. ニューロンモデル
      3. パーセプトロン
      4. 多層ニューラルネットワーク
      5. バックプロパゲーション
      6. たたみこみニューラルネットワーク
      7. 制約付きボルツマンマシン
      8. リカレントニューラルネットワーク
   6. その他の機械学習技術
      1. バンディット問題
      2. 強化学習
      3. アンサンブル学習とランダムフォレスト
      4. 異常値検知
3. 機械学習の実践技術
   1. データ解析の注意点
   2. データ解析開発言語と実例
   3. 欠損値への対処
   4. 問題のモデル化技術
• 質疑応答