機械学習におけるパターン認識手法の基礎と応用

人工知能技術が身近なものとなってきましたが、人工知能と呼ばれるものが何を根拠に判断を行っているか疑問に思ったことはないでしょうか?現在の人工知能技術は、別名、データサイエンスとも呼ばれるものであり、データの持つ特性を、平均、分散などの統計量を元に分類を行うことを基本としています。 　本セミナーは、現在の人工知能技術の基盤となる統計的な分類手法について解説し、人工知能の「中身」を理解していただくことを目的としています。

1. 人工知能技術とパターン認識
   • 人工知能技術の大まかな歴史
2. パターンの表現と距離尺度/類似度
   • 距離尺度
   • 距離と類似度 (非類似度)
3. 基本的なパターン認識処理:最近傍法
   • 最近傍法
   • k-NN (k-Nearest Neighbor)
4. 確率分布
   • ベイズ推定
   • 事後確率による識別
   • 最尤法 (多変量正規分布の場合)
   • 最尤法 (2クラス識別問題)
5. 識別問題の例
   • パターン認識の簡単な例
   • 教師あり学習
6. 線形識別手法
   • ベイズ推定から線形識別手法へ
   • 線形判別関数
7. 識別面のマージン最大化とサポート・ベクトル・マシン
   • 正しく識別できる場合の損失関数は?
   • 線形分離可能の場合の最適な識別面
   • マージン最大化 (評価関数)
   • サポート・ベクトル・マシン (SVM)
8. 非線形識別手法とカーネル法
   • 非線形識別手法
   • 高次元化による非線形識別:カーネル法
9. 代表的な画像特徴
10. SVMの応用例:笑顔度の検出
    • 笑顔度の検出
    • 事後確率から笑顔度へ
    • 笑顔度推定器のデモ
11. 深層学習とSVM (まとめに代えて)
• 質疑応答