少数データ、データ不足における機械学習適用の問題解決方法とその戦略

現在の機械学習ではビッグデータと呼ばれる大量のデータを用いた学習を前提とすることが多い。しかし現実には、データの取得に金銭的・時間的コストがかかり、少数のデータしか得られないというケースも多く、単純に機械学習を適用しても満足のいく精度が出ないことがある。 　本セミナーでは、人間の知識やシミュレーションを援用したり、機械学習のために効率的なデータ取得を工夫したりといった、少数データ解析のための戦略について事例を交えながら紹介する。

1. 機械学習の概要
   1. ビッグデータとディープデータ
   2. 次元の呪いと汎化能力
      1. 線形回帰を例として (一番簡単な機械学習)
      2. 汎化能力と高次元データ
   3. データ解析の基本手順
      1. 開発言語のいろいろ
      2. いろいろな可視化プロット
      3. 主成分分析とクラスタリング
      4. 機械学習の基本手法
2. 少数・高次元データの学習のための技術
   1. スパースモデリングと正則化
      1. 交差検証法
      2. いろいろな正則化の比較
   2. 圧縮センシングによる高解像度撮像
      • ブラックホールやMRIの撮像技術
   3. シミュレーションデータを活用したスパースモデリング
3. 人間の知識をモデル化するための技術
   1. ベイジアンネットを使ったモデル化法
      1. ベイズの定理と生成モデル
      2. ベイジアンネットワーク
      3. グラフィカルLASSO
   2. ベイズ推論のための計算アルゴリズム
      1. 信念伝播法
      2. マルコフ連鎖モンテカルロ法
   3. データ同化と状態空間モデルによる時系列モデリング
      • カルマンフィルタとパーティクルフィルタ
4. 結果の評価・可視化・説明
   1. 機械学習結果の評価法
   2. 信頼度付き機械学習
      1. ガウス過程回帰
      2. 機械学習と仮説検定
   3. ディープラーニングの結果の解釈と説明
      1. 感度分析
      2. 敵対的学習
5. データ不足を補ういろいろな技術
   1. 異常検知のための技術
   2. 半教師あり学習とクラウドソーシング
      • 欠損値補完
   3. 転移学習とマルチタスク学習
      • ディープラーニングにおける少数画像の学習
   4. 能動学習とベイズ最適化によるデータ取得法
      1. アクティブラーニング
      2. ベイズ最適化
      3. マルコフ連鎖モンテカルロ法による最適化
• 質疑応答