・見逃し視聴ありでお申込み頂いた方は、セミナーの録画動画を一定期間視聴可能です。
・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。
・原則、遅くとも開催4営業日後までに録画動画の配信を開始します（一部、編集加工します）。
・視聴期間はセミナー開催日から4営業日後を起点に1週間となります。
ex) 2/6（月）開催 セミナー → 2/10（金）までに配信開始 → 2/17（金）まで視聴可能
※メールにて視聴用URL・パスワードを配信します。配信開始日を過ぎてもメールが届かない場合は必ず弊社までご連絡ください。
※準備出来しだい配信致しますので開始日が早まる可能性もございます。その場合でも終了日は変わりません。
上記例の場合、2/8（水）から開始となっても2/17まで視聴可能です。
※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設定を延長します。
※原則、配信期間の延長は致しません。
※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、ご了承ください。
→見逃し視聴について、
こちらから問題なく視聴できるかご確認ください。（テスト視聴動画へ） パスワード「123456」
セミナーポイント
科学的な営みを実行していく上で「設計」や「計画」はおろそかにすることができない重要なプロセスである．設計や計画が問題の根幹となっている例は，ロボット開発，創薬，天然資源の探鉱など枚挙に暇がない．
近年，設計や計画問題に対するデータ駆動型のアプローチ，また，それを実現するための情報技術である機械学習が注目されている．データ駆動型のアプローチは，データ分析の方法だけでなく，データ収集の方法も考察および最適化の対象とする．特に後者の性質は，実験科学やものづくりなどデータ収集コストが非常に高く多くのデータを得ることが困難な分野においては，効率的にデータの取得と実験を行う上で重要な意味を持っていると考えられる．
本セミナーではデータ駆動型の機械学習アプローチの一つである適応的実験計画に注目し，その基本的な方法論を，特に「ベイズ最適化」と呼ばれる最適化手法および「能動的レベル集合推定」と呼ばれる領域推定手法の2つのアプローチに注目して説明する．
また，具体例を通して現実の問題をどのように計算機上でシミュレート可能なモデルに落とし込むか，というアイデアについても解説したい．
○受講対象：
医学（創薬）や材料科学など，データ取得コストが高い問題を扱う分野の実務者の方．
○受講後、習得できること：
・機械学習における、適応的実験計画の考え方
・ベイズ最適化を始めとする適応的実験計画の基礎知識（モデリング，アルゴリズム）
・機械学習による適応的実験計画の理論と実践方法
セミナー内容
１．導入
1.1 機械学習によるデータ駆動型アプローチ
（適応的実験計画という考え方について）
1.2 適応的実験計画の問題設定，統計モデル，予測の不確実性について
２．ベイズ機械学習モデルの基礎と適応的実験計画
2.1 ベイズ線形回帰モデル
2.2 ガウス過程回帰モデル
2.3 ガウス過程回帰モデルに基づく回帰のための適応的実験計画
2.4 カテゴリー値出力関数に対するガウス過程モデル
３．ベイズ最適化の基礎と方法論
3.1 ベイズ最適化のアルゴリズム
3.2 獲得関数の設計
3.3 ベイズ最適化におけるハイパーパラメータの調整
４．能動的レベル集合推定
4.1 レベル集合推定の問題設定
4.2 レベル集合の判定方法
4.3 レベル集合推定のための獲得関数
５．より複雑な問題に対するベイズ最適化
5.1 制約付きベイズ最適化
5.2 コスト考慮型ベイズ最適化
5.3 多目的ベイズ最適化
5.4 複数条件を同時に観測できる問題のためのベイズ最適化
5.5 高次元のベイズ最適化
６．事例紹介
6.1 深層学習におけるパラメータ調整への応用
6.2 レベル集合推定による材料の低品質領域の高速推定
6.3 シリコンエピタキシャル成長プロセスの最適化
6.4 抗がん剤第1相臨床試験における最大耐用量推定のためのレベル集合推定
７．ベイズ最適化の実行
7.1 Pythonによるベイズ最適化の実装方法の紹介
7.2 ベイズ最適化の実行例のデモ紹介
＜質疑応答＞
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
