セミナー　Zoom　因果探索　確率的グラフィカルモデル　データサイエンティスト　機械学習エンジニア　独立性　条件付独立性　ベイジアンネットワーク　構造学習　因果順序　LiNGAM　グラフィカルLasso　マルコフネットワーク　正定値カーネル　再生核Hilbert空間　Hilbert Schmidt Information Criterion　HSIC　疑似尤度　グラフ学習　大阪大学　鈴木讓

開催日時：2021年4月23日（金）10:30-16:30
受講料：お1人様受講の場合　51,700円[税込]／1名
　　　　　1口でお申込の場合　62,700円[税込]／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。

＜略歴＞	平成元年　早稲田大学大学院　博士課程修了　平成元年　早稲田大学　助手　平成4年　青山学院大学　助手　平成6年　大阪大学　理学部　講師　平成10年　大阪大学大学院　理学研究科　准教授　平成28年　大阪大学大学院　基礎工学研究科　教授（現職）　Uncertainty in Artificial Intelligence (UAI) 1993で、ベイジアンネットワークの研究成果を発表（国内研究者で初とされる）。
＜主要著書＞	ベイジアンネットワーク入門（培風館、2009年）　確率的グラフィカルモデル（共立出版、2016年）植野真臣他と共著　機械学習の数理100問シリーズ（共立出版、2020年）; 統計的機械学習の数理100問with R 、統計的機械学習の数理100問with R/Python、スパース推定100問with R/Python 　Statistical Learning with Math and R/Python（Springer, 2020）
＜学会＞	日本統計学会、日本行動計量学会、日本計算機統計学会、人工知能学会、日本数学会

　セミナーの概要

　グラフィカルモデルは、大学の講義やテキストが少なく、奥が深いので、独学が難しい。
　本セミナーでは、数式だけではなく、ソースプログラムをおい、実行結果を確認する。手を動かして身につけることを優先する。データサイエンティスト、機械学習エンジニア、研究者が対象。論理的に把握できた方が、楽しめるように思われる（Rubin因果推論は、講義の対象外となる）。
　受講後、・グラフィカルモデルの定義、・独立性、条件付独立性の検定、・ベイジアンネットワークの構造学習、・因果順序の推定（LiNGAMとその周辺）、・グラフィカルLassoを習得できることを目指します。

　講義項目

　1　グラフィカルモデルの定義

　　1.1　条件付き独立性とグラフの分離性
　　1.2　マルコフネットワークとベイジアンネットワーク

『因果探索と確率的グラフィカルモデル』

～数理とプログラミングでロジックを固める～

S210423AW

鈴木讓（すずきじょう）　　氏

大阪大学大学院　基礎工学研究科数理科学領域　教授（（博士（工学））

1　グラフィカルモデルの定義

1.1　条件付き独立性とグラフの分離性
　　1.2　マルコフネットワークとベイジアンネットワーク

2　独立性、条件付き独立性の検定

2.1　離散データの相互情報量の推定と、独立性、条件付き独立性
　　2.2　正定値カーネルと再生核Hilbert空間
　　2.3　Hilbert Schmidt Information Criterion（HSIC）

3　ベイジアンネットワークの構造学習

3.1　PCアルゴリズム
　　3.2　スコアベースの構造学習
　　3.3　森の学習

4　因果順序の推定

4.1　LiNGAMの一般論
　　4.2　多変数の場合のLiNGAM
　　4.3　交絡のある場合

5　高次元の場合の対応

5.1　Lasso
　　5.2　グラフィカルLasso
　　5.3　疑似尤度を用いたグラフの構造学習

『因果探索と確率的グラフィカルモデル』

～数理とプログラミングでロジックを固める～

S210423AW

鈴木 讓（すずきじょう） 氏

大阪大学大学院 基礎工学研究科 数理科学領域 教授（（博士（工学））

1 グラフィカルモデルの定義

1.1 条件付き独立性とグラフの分離性 1.2 マルコフネットワークとベイジアンネットワーク

2 独立性、条件付き独立性の検定

2.1 離散データの相互情報量の推定と、独立性、条件付き独立性 2.2 正定値カーネルと再生核Hilbert空間 2.3 Hilbert Schmidt Information Criterion（HSIC）

3 ベイジアンネットワークの構造学習

3.1 PCアルゴリズム 3.2 スコアベースの構造学習 3.3 森の学習

4 因果順序の推定

4.1 LiNGAMの一般論 4.2 多変数の場合のLiNGAM 4.3 交絡のある場合

5 高次元の場合の対応

5.1 Lasso 5.2 グラフィカルLasso 5.3 疑似尤度を用いたグラフの構造学習

　～数理とプログラミングでロジックを固める～

　鈴木讓（すずきじょう）　　氏　

　　　大阪大学大学院　基礎工学研究科数理科学領域　教授（（博士（工学））

　1　グラフィカルモデルの定義

　　1.1　条件付き独立性とグラフの分離性
　　1.2　マルコフネットワークとベイジアンネットワーク

　2　独立性、条件付き独立性の検定

　　2.1　離散データの相互情報量の推定と、独立性、条件付き独立性
　　2.2　正定値カーネルと再生核Hilbert空間
　　2.3　Hilbert Schmidt Information Criterion（HSIC）

　3　ベイジアンネットワークの構造学習

　　3.1　PCアルゴリズム
　　3.2　スコアベースの構造学習
　　3.3　森の学習

　4　因果順序の推定

　　4.1　LiNGAMの一般論
　　4.2　多変数の場合のLiNGAM
　　4.3　交絡のある場合

　5　高次元の場合の対応

　　5.1　Lasso
　　5.2　グラフィカルLasso
　　5.3　疑似尤度を用いたグラフの構造学習