・ご受講にあたり、環境の確認をお願いしております。
お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
→
確認はこちら
＊Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomでカメラ・マイクが使えない事があります。お手数ですがこれらのツールはいったん閉じてお試し下さい。
→
音声が聞こえない場合の対処例
・Zoomアプリのインストール、Zoomへのサインアップをせずブラウザからの参加も可能です
→
参加方法はこちら
→※一部のブラウザーは音声（音声参加ができない）が聞こえない場合があります、
必ず
テストサイトからチェック下さい。
対応ブラウザーについて（公式）;コンピューターのオーディオに参加に対応してないものは音声が聞こえません
申込み時に（見逃し視聴有り）を選択された方は、見逃し視聴が可能です。
（クリックして展開「▼」）
・原則、開催5営業日後に録画動画の配信を行います（一部、編集加工します）。
・視聴可能期間は配信開始から1週間です。
（GWや年末年始・お盆期間等を挟む場合、それに応じて弊社の標準配信期間の設定を延長します。）
セミナーを復習したい方、当日の受講が難しい方、期間内であれば動画を何度も視聴できます。
尚、閲覧用URLはメールでご連絡致します。
※万一、見逃し視聴の提供ができなくなった場合、
（見逃し視聴あり）の方の受講料は（見逃し視聴なし）の受講料に準じますので、ご了承下さい。
→こちらから問題なく視聴できるかご確認下さい（テスト視聴動画へ）パスワード「123456」
セミナーポイント
■はじめに
本セミナーでは、確率的グラフィカルモデルと呼ばれる統計的機械学習モデルをテーマとして扱います。確率的グラフィカルモデルの利点は、なんと言っても、これ一つで多くのデータサイエンス（データマイニングや人工知能）ができるようになるという点です。これは、昨今の人工知能ブームにより盛り上がっているニューラルネットワークモデルとはその意味で一線を画すものです。データマイニングと人工知能を同時にこなすことのできる確率的グラフィカルモデルは、現在の人工知能の弱点（例えば、作成した人工知能の意味解釈が人間では困難である、など）を補填する可能性を大いに秘めた技術であり、将来の人工知能の核の一つになり得る技術と期待しています。
ただ残念なことに、学術業界以外では、確率的グラフィカルモデルに対する認知はまだほとんど広がっていません。本講義では、初学者にも分かりやすいよう、統計的機械学習理論を学ぶ上で重要となるトピックは網羅的に解説し、理論の基礎から全体像、そして、応用に対する考え方に至るまでを習得できるようにします。また、初学者だけに限らず、統計的機械学習理論を多少聞きかじったけれども、しっかりと基礎部分を把握しておきたいという方にもピッタリな内容となっています。内容の性質上、数式が多数出現しますが、必要に応じて補足をしていくので特殊な専門知識は必要ありません。大学初年度レベルの微積分、線形代数、確率統計の知識があるとより楽しめると思います。
■ご講演中のキーワード：
統計的機械学習、グラフィカルモデル、マルコフ確率場、データサイエンス、データマイニング、人工知能
■受講対象者：
・新しい（将来の）データサイエンスの切り口を知りたい方
・確率・統計に基づくデータサイエンスに興味のある方
・普通の機械学習に限界を感じている方
■必要な予備知識や事前に目を通しておくと理解が深まる文献、サイトなど：
・大学初年度レベルの微積分、線形代数、確率統計の知識。
■本セミナーで習得できること：
・統計的機械学習理論の基礎理解と概要把握から、実装に至るまでの一通りの知識を習得できる。
・データマイニングと人工知能に関する包括的な知識を習得できる。
・新しい機械学習の可能性を知ることができる。
■受講された方の声（一例）：
・統計的機械学習の理解のために受講させていただきました。基礎的なことから丁寧で分かりやすかったです。
・初学者でしたが、非常に分かりやすく説明頂けて助かりました。
・マルコフ確率場の使用における近似利用の流れ及び確率の基礎から取り扱ってくれて良かったです。
などなど……ご好評の声を多数頂いております！
セミナー内容
1. はじめに
(1) データマイニングと人工知能
(2) 機械学習とは何か？
a. 教師あり学習
b. 教師なし学習
(3) 深層学習概説
(4) データマイニングと人工知能の違い
(5) 統計的機械学習の目的とメリット
(6) 確率の基礎と例題
a. 規格化条件
b. 平均・分散
c. 確率の和法則と積法則
d. 例題で理解しよう
2. 統計的機械学習の基礎とマルコフ確率場
(1) ベイズ推定
(2) 統計的機械学習の枠組み
(3) マルコフ確率場
a. 確率的グラフィカルモデルとは？
b. ギブスサンプリング
c. ボルツマンマシン
(4) マルコフ確率場の統計的機械学習の方法
a. 最尤法
b. 最尤法と情報理論
c. EMアルゴリズム
(5) マルコフ確率場の問題点
a. 組み合わせ爆発の問題
b. 近似的アプローチ （モンテカルロ積分法）
(6) ガウス型マルコフ確率場
3. マルコフ確率場の応用例 （データ生成モデル、データマイニング）
(1) 統計的重回帰分析
a. 通常の重回帰分析
b. マルコフ確率場に基づく重回帰分析
(2) 画像ノイズ除去
(3) 道路交通量の（ナウ・キャスト）推定
(4) グラフマイニング
a. スパースモデリングのアプローチ
b. 項目間の関連マップの抽出
4. 人工知能への応用
(1) パターン認識問題とは？
(2) パターン認識問題のベイズ的定式化と逆問題
a. 事後分布による逆推定
b. AIシステムが何を見ているのか？
(3) ベイジアン・ディープラーニング
おわりに
(1) 統計的機械学習の意義とこれから
サイトマップ
よくあるお問合せ
リクエスト
セミナー会場へのアクセス
