|
【講座概要】
機械学習には多くの手法があり、どこから手をつけるべきか迷うことも少なくありません。ベイズモデリングは、すべての不確実性を確率として扱うことで、機械学習を統一的・直感的に理解できる枠組みです。少数データでの学習や人間の知見との融合にも強みがあります。
本セミナーでは、確率の基本から応用までを平易なデータや事例を用いて解説し、ベイズ的アプローチによる機械学習の全体像をつかむことを目指します。
【受講対象】
・機械学習の結果の解釈や評価法に興味がある方
【受講後習得できること】
・機械学習の結果の解釈や評価の仕方
1.ベイズモデリングの基本
1.1 確率によるモデリング
1.2 機械学習とベイズモデリング
1.2.1 ベイズモデリングの利点・欠点
1.3 ベイズ統計学の基本
1.3.1 確率の基本事項
1.3.2 ベイズの定理
1.3.3 ベイズモデリングの手順
1.4 確率と意思決定
1.4.1 ベイズ決定理論
1.5 モデルの選択
1.6 ベイズ線形モデル
1.6.1 正則化とベイズの関係
1.6.2 予測分布
1.6.3 ハイパーパラメータの決め方
1.6.4 スパースモデリング
1.6.5 ガウス過程
1.7 グラフィカルモデルとベイジアンネットワーク
1.7.1 ベイジアンネットワーク
1.7.2 線形回帰のベイジアンネットワーク
1.7.3 学習と推論
1.7.4 グラフィカルLASSO
1.7.5 単純ベイズ法と迷惑メールフィルタ
1.7.6 カルマンフィルタ・パーティクルフィルタによるデータ同化
2.ベイズモデリングの実践
2.1 ドメイン知識とシミュレーション
2.1.1 基本的確率モデルのいろいろ
2.2 事前分布の決め方
2.2.1 共役事前分布
2.3 信念伝播アルゴリズム
2.4 事後分布の近似法
2.4.1 変分ベイズ法とクラスタリングにおける実例
2.4.2 トピックモデルと行列分解
2.5 マルコフ連鎖モンテカルロ法と実例
2.5.1 いろいろなMCMC
2.5.2 stan によるモデリング
3.ベイズモデリングの広がり
3.1 転移学習と半教師あり学習
3.2 ベイズ深層学習
3.3 ベイズ最適化による実験計画法
3.4 シミュレーションとレプリカ交換法
【質疑応答】
|
