学部・大学院区分
Undergraduate / Graduate

理・博後

時間割コード
Registration Code

4600020

科目区分
Course Category

データサイエンス科目群
Data Science Classes

科目名　【日本語】
Course Title

機械学習概論Ｄ

科目名　【英語】
Course Title

Introduction to Machine Learning D

コースナンバリングコード
Course Numbering Code

担当教員　【日本語】
Instructor

竹内　努 ○

担当教員　【英語】
Instructor

TAKEUCHI Tsutomu ○

単位数
Credits

開講期・開講時間帯
Term / Day / Period

通年集中（春秋）その他その他
Full-year course Intensive(Sp-Fa) Other Other

授業形態
Course style

講義
Lecture

学科・専攻
Department / Program

理学研究科素粒子宇宙物理学専攻

必修・選択
Required / Selected

選択

授業の目的　【日本語】
Goals of the Course(JPN)

機械学習の問題意識と問題設定を理解し，いくつかの問題設定に対する代表的な手法を，その理論的背景から学ぶ.

授業の目的　【英語】
Goals of the Course

To understand the problem awareness and problem setting of machine learning, and learn typical methods for some problem setting from the theoretical background.

到達目標　【日本語】
Objectives of the Course(JPN))

機械学習の代表的な問題設定を知り，それらに対する適切なアプローチを選択して自身の持つ問題に適用できるようになる．

到達目標　【英語】
Objectives of the Course

Students will be able to know typical problem settings of machine learning, select an appropriate approach to them, and apply them to your own problems.

授業の内容や構成
Course Content / Plan

１．機械学習のオーバービュー
「機械学習」として研究されている課題を概観し，本講義で扱う内容と扱わない内容を説明する．特に，問題設定による手法群の分類を強調する．

２．教師なし手法
データからの構造抽出のための代表的手法であるクラスタリングと密度推定について説明する．

３．アンサンブル法
主に教師あり学習（判別，回帰問題）のためのアンサンブル法を概説する．多数の予測器の組み合わせで予測性能が向上する理由と，様々なアンサンブル法のアイディアを述べ，特徴選択や結果の解釈性に関する議論をする．

４．様々な問題設定
能動学習，ベイズ最適化，転移学習といった発展的な話題を概説する．

５．統計的学習理論
機械学習アルゴリズムの良さは汎化性能（汎化誤差，generalization error)として定量化される．汎化性能に関する色々な疑問に理論的に答えるのが，統計的学習理論である．具体的には，データを増やすとどれだけ性能向上が期待できるか？そもそも学習データで最適化した予測器がなぜテストデータに「使える」のか？といった問に，理論的な観点から回答する．

６．談話会
講義で取り上げた話題を中心に，諸問題への機械学習の適用可能性を受講者とディスカッションをして理解を深める．

1. Machine learning overview
We will give an overview of the tasks being studied as "machine learning" and explain what is covered and what is not covered in this lecture. In particular, we emphasize the classification of method groups by problem setting.

2. Unsupervised method
Clustering and density estimation, which are typical methods for structural extraction from data, will be explained.

3. Ensemble method
It mainly outlines the ensemble method for supervised learning (discrimination, regression problem). The reason why the prediction performance is improved by the combination of many predictors, the idea of various ensemble methods, and the feature selection and the interpretability of the result are discussed.

4. Various problem settings
It outlines advanced topics such as active learning, Bayesian optimization, and transfer learning.

5. Statistical learning theory
The goodness of machine learning algorithms is quantified as generalization performance (generalization error). Statistical learning theory answers various questions about generalization performance theoretically. Specifically, how much performance improvement can be expected by increasing the data? Why can a predictor optimized with training data be "usable" for test data in the first place? Answer such questions from a theoretical point of view.

6. Discourse
Focusing on the topics taken up in the lecture, we will discuss with the students the applicability of machine learning to various problems and deepen their understanding.

履修条件
Course Prerequisites

学部の微積分、線形代数