……Zoomオンライン受講
……見逃し視聴選択可
★異なるドメインの知識を有効活用する「転移学習」、データ分析だけでなく収集方法も最適化対象とする「適応的実験計画」について、その実際の適用展開を体系的に学べます。
講師
京都大学 大学院医学研究科 社会健康医学系専攻 医療データ科学分野 准教授 博士（情報科学） 松井 孝太 氏
・ご略歴：
2017年に名古屋大学にて博士（情報科学）を取得。名古屋工業大学特任研究員、名古屋大学特任助教、理化学研究所特別研究員、名古屋大学講師を経て2025年4月より現職。滋賀大学データサイエンス・AIイノベーション研究推進センター特任准教授、東京科学大学特別研究員を兼務。
・ご専門および得意な分野・研究：
医学や材料科学など、データ数が少ない領域での統計的機械学習の方法論。特に、異なるドメインの知識を有効活用するための転移学習と、データ取得戦略を最適化するための適応的実験計画を理論と応用の両面から研究している。
・本テーマ関連のご活動：
[書籍執筆]
-松井孝太、熊谷亘著、“転移学習”、講談社、2024
-今村秀明、松井孝太著、“増補改訂版ベイズ最適化-適応的実験計画の基礎と実践”、近代科学社、2025
＜その他関連セミナー＞
機械学習・AI・データ分析 一覧はこちら
日時・受講料・お申込みフォーム
●日時：2026年3月13日(金) 10:30-16:30 ＊途中、お昼休みや小休憩を挟みます。
●受講料：
【オンライン受講（見逃し視聴なし）】：1名 50,600円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき39,600円
【オンライン受講（見逃し視聴あり）】：1名 56,100円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき45,100円
＊学校法人割引：学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認ください。
＊5名以上でのお申込の場合、更なる割引制度もございます。
ご希望の方は、以下より別途お問い合わせ・お申込みください。
req@*********（*********にはjohokiko.co.jpを入れてください）
お申込みはこちらから
配布資料・講師への質問など
●配布資料はPDFなどのデータで配布いたします。ダウンロード方法などはメールでご案内いたします。
・配布資料に関するご案内は、開催1週前～前日を目安にご連絡いたします。
・準備の都合上、開催1営業日前の12:00までにお申込みをお願いいたします。
（土、日、祝日は営業日としてカウントしません。）
・セミナー資料の再配布は対応できかねます。必ず期限内にダウンロードください。
●当日、可能な範囲でご質問にお答えします。（全ての質問にお答えできない可能性もございます。何卒ご了承ください。）
●ご受講に際しご質問・要望などございましたら、下記メールアドレス宛にお問い合わせください。
req@*********（*********にはjohokiko.co.jpを入れてください）
＊5名以上でのお申込の場合、更なる割引制度もございます。
ご希望の方は、以下より別途お問い合わせ・お申込みください。
req@*********（*********にはjohokiko.co.jpを入れてください）
オンラインセミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）
※メールアドレスの記載誤りについては、以下へご連絡お願いいたします。
req@*********（*********にはjohokiko.co.jpを入れてください）
→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で音声が聞こえない、カメラ・マイクが使えないなどの事象が起きる可能性がございます。お手数ですが、これらのアプリは閉じた状態にてZoomにご参加ください。
→音声が聞こえない場合の対処例
→一部のブラウザは音声が聞こえないなどの不具合が起きる可能性があります。
対応ブラウザをご確認の上、必ず事前のテストミーティング をお願いします。
（iOSやAndroidOS ご利用の場合は、アプリインストールが必須となります）
→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」
＜見逃し視聴ご案内の流れ・配信期間詳細＞
セミナーポイント
ロボット開発，創薬，材料探索，天然資源の探鉱など，科学的・工学的な営みを推進するうえで，「設計」や「計画」は研究開発の成否を左右する中核プロセスである。また，このような領域の多くで試行錯誤のコストは高く，得られるデータは少量かつ偏りを含むことが常である。本セミナーでは，限られたデータに基づいた予測・意思決定のためのデータ駆動型アプローチである転移学習と適応的実験計画の基礎から応用までを体系的に学ぶ。
前半では，既存データや関連課題から知識を移転して学習効率を高める転移学習を取り上げる。「何を・いつ・どのように移すと有効か」という基本的な問題意識を出発点として，ドメインシフトの捉え方，ドメイン適応，事前学習とファインチューニングなどの基本概念を整理する。
後半では，データ分析のみならずデータ収集そのものを最適化対象とする適応的実験計画に注目し，代表的枠組みとして「ベイズ最適化」と「能動的レベル集合推定」を中心に，確率モデル（ガウス過程）と獲得関数に基づく逐次意思決定の方法論を解説する。最後に，転移学習と適応的実験計画を統合し，過去実験・シミュレーション・関連タスクを活用したウォームスタートや情報再利用により，少ない実験回数で性能・安全性・制約を満たす設計解へ到達するための考え方を扱う。
それぞれのパートで，具体例を通じて現実の問題を「計算機上で評価・シミュレート可能なモデル」に落とし込むモデリング（目的関数化，制約の扱い，不確実性の見積もりなど）を示し，少量データ環境での検証と実装に到達できる道筋を提示する。
○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研究者および実務者の方。
○受講後、習得できること：
・適応的実験計画の考え方
・適応的実験計画の基礎知識（機械学習モデル，アルゴリズムの構成）
・適応的実験計画の実用例
・転移学習の考え方
・転移学習の基礎知識（定式化，転移する「知識」の種類と具体的な実現アルゴリズム）
・転移学習の実用例
セミナー内容
１．導入
1.1 少ないデータを利活用するための機械学習によるアプローチ
（転移学習，適応的実験計画という考え方について）
1.2 教師あり学習から転移学習へ
1.3 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．転移学習概論
2.1 転移学習の定式化：目標ドメインでのリスク最小化の視点
2.2 転移学習の基本問題：いつ・何を・どう転移するか？
2.3 いつ転移するか？：ドメインシフト・ドメイン不一致度・転移仮定
2.4 何を転移するか？：事例・特徴・パラメータ転移
３．事例転移
3.1 重要度重み付き学習
3.2 密度比推定の方法
3.3 動的重要度重み付き学習
４．特徴転移
4.1 元ドメインの特徴量を目標ドメインへ転移する方法
4.2 不変特徴表現を学習する方法
５．パラメータ転移
5.1 深層ニューラルネットの事前学習：自己教師あり学習
5.2 深層ニューラルネットのファインチューニング
：パラメータ効率的ファインチューニングのアプローチ
5.3 事前学習済みモデルの転移可能性とスケーリング則
６．転移学習の応用事例紹介
6.1 高分子物性予測問題への応用
6.2 触媒活性予測問題への応用
７．ガウス過程回帰モデルの基礎と回帰のための適応的実験計画
7.1 ガウス過程回帰モデル
7.2 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
８．ベイズ最適化の基礎
8.1 ベイズ最適化のアルゴリズム
8.2 獲得関数の設計
９．能動的レベル集合推定
9.1 レベル集合推定の問題設定
9.2 レベル集合の判定方法
9.3 レベル集合推定のための獲得関数
１０．適応的実験計画の応用事例紹介
10.1 レベル集合推定による材料の低品質領域の高速推定
10.2 シリコンエピタキシャル成長プロセスの最適化
10.3 がん臨床試験における最大耐用量推定
１１．転移学習と適応的実験計画の統合
11.1 転移学習のための適応的実験計画
：能動的転移学習の概要
11.2 適応的実験計画のための転移学習
：ベイズ最適化におけるコールドスタート問題の緩和
＜質疑応答＞
お申込みはこちらから
セミナーコード：AD2603L8
