機械学習のための統計学【入門講座:1日速習】
開催日 |
12:30 ~ 16:30 締めきりました |
---|---|
主催者 | 株式会社 情報機構 |
キーワード | 機械学習・ディープラーニング SQC一般 モンテカルロ法 |
開催エリア | 東京都 |
開催場所 | 【江東区】江東区産業会館 |
交通 | 【地下鉄】東陽町駅 |
用途・目的に応じ、ディープラーニング他機械学習手法を
どのように使い分けたら良いのか?
機械学習を使いこなすために必要となる、統計学の基礎を習得!
講師
茨城大学 工学部 情報工学科 教授 博士(工学) 新納 浩幸 先生
【ご専門】 自然言語処理、機械学習、統計学
【ご略歴】
1985年 東京工業大学理学部情報科学科卒業。
1987年 同大学大学院理工学研究科情報科学専攻修士課程修了。
同年 富士ゼロックス、翌年松下電器を経て、1993年茨城大学工学部助手。
2015年 同学部教授。現在に至る。
【主な著書】
『 Chainer v2 による実践深層学習 』 オーム社
『 ニューラルネットワーク自作入門 (翻訳)』 マイナビ出版
『 Rで学ぶクラスタ解析 』 オーム社
『 数理統計学の基礎 』 森北出版
受講料
1名41,040円(税込(消費税8%)、資料付)
*1社2名以上同時申込の場合 、1名につき30,240円
*学校法人割引 ;学生、教員のご参加は受講料50%割引。
セミナーポイント
昨今、ディープラーニングの大きな進展により、様々な問題をディープラーニングで解決しようとする試みが散見される。ただ一般にディープラーニングには大量のラベル付きデータが必要であり、そのようなデータを準備できない状況では、現実的にはディープラーニングは役に立たない。その場合、ディープラーニングではなく、従来の機械学習手法の方が、アプローチとして適していることも多い。そのため機械学習自体が再度見直され、勉強している人も多いのではと思われる。
ただ従来の機械学習は確率統計を基礎とした学問であるため、とっつきにくさがある。機械学習のライブラリーは使えるが、その基礎事項を理解しておらず、自分の問題への適用を難しく感じている人も多いと思う。本セミナーはそのような方を対象に、主に統計学にかかわる機械学習の基礎事項を整理し解説することを目的としている。
確率統計の基礎からはじめ、機械学習で必要となる推定の部分を解説する。最尤法が最も重要であり、最尤法とエントロピーや KL情報量との関係も解説する。またベイズ統計からのアプローチも解説する。また最後にこの辺りの技術を応用する場合に、特に重要となる手法として EM アルゴリズムと MCMC 法をとりあげて解説する。
○ 受講対象:
・機械学習手法を理解したいが出てくる式が全く分からなくて困っている方。
・確率統計をキチンと勉強したことがないが、理解したい方。
・最尤法を理解したい方。
・EM アルゴリズムの使い方がわからない方が、応用したい方。
・MCMC 法がわからないが、使ってみたい方。
○ 受講後、習得できること:
・確率変数、分布、平均、分散などの確率統計の基礎が取得できます。
・ベイズ統計とは何かが大雑把に理解できます。
・最尤法が理解できます。
・EM アルゴリズムがどういうものか理解できます。
・MCMC 法がどういうものか理解できます。
セミナー内容
1. ディープラーニングとそれ以前の機械学習手法
機械学習を用いて問題解決を図る場合、機械学習手法としてディープラーニングを選択するのは有望です。ただしディープラーニングには適さない問題、あるいは状況ということがあり、場合によれば古典的な手法の方が適している場合もあります。ディープラーニングの長所と短所、そして従来手法の方が適しているケースを解説します。
1-1 ディープラーニングとは
1-2 ディープラーニングの長所と短所
1-3 従来手法の方が適しているケース
2. 確率統計の基礎
機械学習の基本は確率統計です。確率変数とは何かさえ分かっていれば、それに付随する分布、平均、分散の理解は容易です。そして機械学習と密接に関係する確率統計における推定を解説します。
2-1 確率とは
2-2 確率変数
2-3 確率分布
2-4 平均と分散
2-5 推定
3. 最尤法
観測データからパラメトリックモデルのパラメータを推定する方法は最尤法で決まりです。最尤法を解説するとともに、KL情報量との関係も解説します。
3-1 パラメトリックモデル
3-2 尤度
3-3 エントロピー
3-4 KL 情報量
4. ベイズ統計の基礎
近年、推定はベイズ統計の枠組みで行うことが普通になりました。ベイズ統計の考え方とその枠組みでの推定を解説します。
4-1 ベイズ統計の考え方
4-2 パラメータの事後分布
4-3 共役事前分布
4-4 階層ベイズモデル
5. EM アルゴリズム
機械学習でよく現れる EM アルゴリズムについて解説します。応用例として混合正規分布のパラメータ推定を行ってみます。
5-1 潜在変数
5-2 イェンセンの不等式
5-3 Q関数
5-4 E-Step と M-Step
5-5 混合正規分布のパラメータ推定
6. MCMC 法(マルコフ連鎖モンテカルロ法)
ベイズ推定で中心となるMCMC 法について解説します。応用例として、トピックモデルに代表される LDA について解説します。
6-1 モンテカルロ法
6-2 マルコフ連鎖
6-3 MCMC 法のアルゴリズム
6-4 メトロポリス・ヘイスティングス法
6-5 ギブスサンプリング法
6-6 LDAへの応用例
7. 応用例
様々な問題に対し、どのようにアプローチして手法を選択・適用していけば良いか、目的に応じた具体例を示します。
7-1 時系列データ
7-2 異常検知
<質疑応答>