機械学習のための効率的なデータ取得法と解釈・評価方法

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
      1. 少量データを克服する4つの方針
   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. データの身体化
      2. 主成分分析とクラスタリング
      3. 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. 正則化によるモデル選択
      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
      1. 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. 生成モデルと推論
      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. 確率伝播法
      2. 変分ベイズ法
      3. 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
      1. 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
      1. 欠損値補完
   3. 転移学習とマルチタスク学習
      1. ディープラーニングにおける少数画像の学習
   4. 実験計画による効率的データ取得法
      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