インフォマティクス及び機械学習でのデータ解析とサンプルサイズ設計 超入門

近年、インフォマティクス・機械学習ヘの期待は非常に大きなものになっています。しかし、その大きな期待に応えられるほどの人材・人手が確保できていないというのが現状です。人手不足ということは、インフォマティクス・機械学習を身に付ければ、希少人材になれるということを意味します。本講座がきっかけとなり、一人でも多くの方が、インフォマティクス・機械学習の世界に飛び込み、企業や研究所で活躍されることを願っております。 　本講座の位置づけは、先ずは講義を気軽に聞けて、インフォマティクス・機械学習の大雑把なイメージがつかめるようになっているといいなと思っています。そのため、本講座の細かい部分を全部正しく理解しようと頑張る必要はありません。なんとなく機械学習っていうのはこういうもので、こういうアルゴリズムで、こういう特徴があって、こういう風に使えるんだ、というのがイメージできればそれでいいと思っています。

1. インフォマティックス・機械学習基礎
   1. インフォマティックス・機械学習とは
   2. 機械学習の使い方 (PythonとR)
   3. 教師あり学習とは (回帰)
   4. 教師なし学習とは (分類)
2. 複雑なモデルの問題
   1. 最適な複雑さのモデルとは (汎化性能と過学習)
   2. 次元の呪い
   3. 変数選択
   4. 多重共線性
3. 最適なモデルをつくるために
   1. 赤池情報量基準 (AIC)
   2. クロスバリデーション (交差検証)
   3. 教師なし学習における次元削減 (主成分分析)
   4. 教師なし学習における類似度と非類似度 (クラスター分析)
4. インフォマティックス・機械学習の事例
   1. 決定木分析とランダムフォレスト法
   2. ナイーブベイズ分類法
   3. ガウス過程法
   4. サポートベクターマシン
5. インフォマティックス・機械学習における注意点
   1. データセット作成上のルール
   2. 最適なサンプルサイズ
   3. デザインする上での注意点
   4. 機械学習の今後の展望
• 質疑応答