セミナー　Zoom　機械学習　統計的　実験計画　ベイズ最適化　計画問題　データ駆動型　能動学習　ベイズ統計的モデリング　ベイズ線形回帰　ガウス過程回帰　獲得関数　連続値出力　離散値出力　2値出力　ハイパーパラメータ　深層学習　適応的マッピング　高速推定　Python　名古屋大学　松井孝太

　　　

☆☆☆Web配信セミナー☆☆☆

『機械学習による統計的実験計画～ベイズ最適化を中心に～』　

S210118AW

　☆☆☆本セミナーは、Zoomを使用して、行います。☆☆☆

　　　開催日時：2021年1月18日（月）11:00-16:30
　　受講料：お1人様受講の場合　47,000円[税別]／1名
　　　　　　　1口でお申込の場合　57,000円[税別]／1口（3名まで受講可能）

　★本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、
　お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。

　★インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。
　講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。

　★受講中の録音・撮影等は固くお断りいたします。

　講　師

　松井孝太（まついこうた）　氏　

　　名古屋大学大学院　医学系研究科　総合医学専攻　生物統計学分野　講師（博士（情報科学））

＜略歴＞	2009年4月～2011年3月　名古屋市立大学大学院人間文化研究科博士前期課程　2011年4月～2014年3月　名古屋大学大学院情報科学研究科計算機数理科学専攻博士課程後期課程　2014年4月～2015年3月　名古屋工業大学　工学研究科　つくり領域　/　JST CREST　特任研究員　2015年4月～2018年5月　名古屋大学大学院　医学系研究科生物統計学分野　/　JST CREST　特任助教　　2017年3月　博士（情報科学）（名古屋大学）　2018年6月～2020年3月　理化学研究所　革新知能統合研究センター　データ駆動型生物医科学チーム　特別研究員　2020年4月～　現職　　現在、医学・材料科学への応用を目指した機械学習の方法論の研究に従事。
＜学会活動＞	ACML2018 program committee　/　ITNG2019 program committee　/　日本計量生物学会企画委員（2019-2020）　/　ACML2019 local arrangements co-chair, program committee, workshop organizer　/　ITNG2020 program committee

　セミナーの概要

　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す．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ありません．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ます．
　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します．特に後者の性質は，ものづくりなどデータ収集コストが非常に高い分野においては，重要な意味を持っていると考えられます．
　本セミナーでは，データ駆動型のアプローチの一つであるベイズ最適化に注目し，その基本的な方法論と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解説したいと思います．

　講義項目

　1　導入

　　1.1　データ取得コストが高い現実の問題（創薬・新規材料開発を例に）
　　1.2　機械学習によるデータ駆動型アプローチ（能動学習，実験計画という考え方について）

　2　ベイズモデルによる機械学習とベイズ最適化の基礎

　　2.1　ブラックボックスなシステムのベイズ統計的モデリング
　　　2.1.1　ベイズ線形回帰
　　　2.1.2　ガウス過程回帰
　　2.2　ベイズ最適化の方法論
　　　2.2.1　導入：ブラックボックス関数のベイズ最適化
　　　2.2.2　獲得関数の設計
　　　2.2.3　連続値出力な関数に対するベイズ最適化
　　　2.2.4　離散値出力な関数に対するベイズ最適化（2値出力を例に）
　　　2.2.5　ベイズ最適化におけるハイパーパラメータの調整

☆☆☆Web配信セミナー☆☆☆

『機械学習による統計的実験計画～ベイズ最適化を中心に～』

松井孝太（まついこうた）　氏

名古屋大学大学院　医学系研究科　総合医学専攻　生物統計学分野　講師（博士（情報科学））

1　導入

1.1　データ取得コストが高い現実の問題（創薬・新規材料開発を例に）
　　1.2　機械学習によるデータ駆動型アプローチ（能動学習，実験計画という考え方について）

2　ベイズモデルによる機械学習とベイズ最適化の基礎

3　応用事例紹介

3.1　深層学習におけるハイパーパラメータチューニングへの応用
　　3.2　適応的マッピングによる材料の低品質領域の高速推定
　　3.3　イオン伝導性物質の伝導度推定

4　ベイズ最適化の実行

4.1　Pythonによるベイズ最適化の実装方法の紹介
　　4.2　ベイズ最適化の実行例のデモ紹介

☆☆☆Web配信セミナー☆☆☆ 『機械学習による統計的実験計画～ベイズ最適化を中心に～』

松井孝太（まついこうた） 氏

名古屋大学大学院 医学系研究科 総合医学専攻 生物統計学分野 講師（博士（情報科学））

1 導入

1.1 データ取得コストが高い現実の問題（創薬・新規材料開発を例に） 1.2 機械学習によるデータ駆動型アプローチ（能動学習，実験計画という考え方について）

2 ベイズモデルによる機械学習とベイズ最適化の基礎

3 応用事例紹介

3.1 深層学習におけるハイパーパラメータチューニングへの応用 3.2 適応的マッピングによる材料の低品質領域の高速推定 3.3 イオン伝導性物質の伝導度推定

4 ベイズ最適化の実行

4.1 Pythonによるベイズ最適化の実装方法の紹介 4.2 ベイズ最適化の実行例のデモ紹介

　　　

☆☆☆Web配信セミナー☆☆☆

『機械学習による統計的実験計画～ベイズ最適化を中心に～』　

　松井孝太（まついこうた）　氏　

　　名古屋大学大学院　医学系研究科　総合医学専攻　生物統計学分野　講師（博士（情報科学））

　1　導入

　　1.1　データ取得コストが高い現実の問題（創薬・新規材料開発を例に）
　　1.2　機械学習によるデータ駆動型アプローチ（能動学習，実験計画という考え方について）

　2　ベイズモデルによる機械学習とベイズ最適化の基礎

　3　応用事例紹介

　　3.1　深層学習におけるハイパーパラメータチューニングへの応用
　　3.2　適応的マッピングによる材料の低品質領域の高速推定
　　3.3　イオン伝導性物質の伝導度推定

　4　ベイズ最適化の実行

　　4.1　Pythonによるベイズ最適化の実装方法の紹介
　　4.2　ベイズ最適化の実行例のデモ紹介