機械学習と深層学習による時系列モデル入門

講師

岐阜大学 工学部 教授、知能科学研究センター センター長　速水 悟　氏
【経歴】
1981年 東京大学大学院工学系研究科修士課程修了。
同年 通商産業省工業技術院 電子技術総合研究所(現、国立研究開発法人産業技術総合研究所)。
1989年 カーネギーメロン大学 客員研究員。
1994年 フランス国立科学研究院 機械情報学研究所 客員研究員。
2002年 岐阜大学工学部 教授。
2017年4月より 工学部 知能科学研究センター センター長。

趣旨

　本セミナーでは、エンジニア向けに機械学習の基礎を説明し、時系列データから、時間とともに変化する現象をモデル化する基本的な手法を解説します。また深層学習における時系列モデルとして、再帰型ネットワーク、LSTM（長・短期記憶）、注意型ネットワークについて解説します。
　機械学習と深層学習の具体的な適用方法として、Pythonとフレームワークによる実装例を紹介します。

プログラム

＜得られる知識・技術＞
機械学習を利用するための基本的な枠組みが理解できます。
深層学習を学び、実践する過程で必要な知識がどのようなものかを知ることができます。
深層学習の適用事例についての最近の動向を知ることができます。

＜プログラム＞
１．機械学習による時系列のモデル化
　1.1 機械学習をどのように活用するか？
　1.2 異常検知から予測へ
　1.3 回帰モデルを用いた予測
　1.4 線形予測モデルによる時系列解析

２．深層学習による時系列のモデル化
　2.1 順伝播型ネットワーク
　2.2 誤差逆伝播法によるパラメータ推定
　2.3 畳込みネット（CNN）による画像の識別
　2.4 再帰型ネット（RNN）による時系列の予測
　2.5 長・短期記憶（LSTM）におけるゲートの役割
　2.6 注意型ネット（Attention）による変換
　2.7 コネクショニスト時系列分類法（CTC）
　2.8 end-to-end アプローチの意義

３．Python による実装
　3.1 Python の解説と回帰モデルの実装例
　3.2 フレームワークとしてのTensorFlowとKeras
　3.3 フレームワークによる再帰型ネットワークの実装例

４．時系列モデルへの深層学習の適用
　4.1 深層学習の組み合わせによる読唇（動画像認識）
　　（DeepMind とオックスフォード大学による研究の紹介）
　4.2 深層学習による音響イベント検出モデルの学習
　　（Google によるYouTube映像を用いた研究の紹介）

　　□質疑応答・名刺交換□