講座内容

前回の「大学生のためのデータサイエンス（Ⅰ）」では、データサイエンス全般についての概観を与えることを目的にして、現代社会におけるデータサイエンス、データ分析の基礎、コンピュータを用いたデータ分析、データサイエンスの応用事例について4週間で説明しました。

今回の（Ⅱ）では、技術的により進んだ内容として、機械学習の諸手法とその応用について説明します。まず、機械学習とは何かという説明から始め、その後に機械学習の応用事例を紹介します。応用事例を先に見ることによって、機械学習の有用性が理解でき、機械学習の手法をより積極的に学ぶことができると期待されます。次に分類問題と回帰問題の具体的な手法を説明し、同時に特徴量の設計・選択など、実践的なテクニックについても紹介します。最後に、近年、発展の著しいニューラルネットワークについて説明します。

本講座は、機械学習の分野の中でも教師あり学習を中心に進めます。また、なるべく数式を使わないという方針で構成されています。

第1週：機械学習の事例紹介

• イントロダクション
• 機械学習とは （1）
• 機械学習とは （2）
• 機械学習とは （3）
• 機械学習の先進的な事例　画像
• 機械学習を使ったテキストからの性格推定
• 機械学習の先進的な事例　音声
• 機械学習の先進的な事例　企業分析
• 機械学習の先進的な事例　マーケティング
• 機械学習の先進的な事例　生産機械

第2週：機械学習の基礎 （１） 分類問題

• 最近傍法
• 線形分類器
• サポートベクターマシン （1）
• サポートベクターマシン （2）
• 決定木・ランダムフォレスト
• 単純ベイズ分類器 （1）
• 単純ベイズ分類器 （2）
• 混合正規分布モデル

第3週：機械学習の基礎 （２） 回帰問題・その他

• 重回帰分析 （1）
• 重回帰分析 （2）
• ロジスティック回帰モデル （1）
• ロジスティック回帰モデル （2）
• 過学習と交差検証法
• 判別分析における多クラス問題
• 特徴量の設計　標準化とスパースネス
• 特徴量の設計　主成分分析 （1）
• 特徴量の設計　主成分分析 （2）
• 特徴量の効果的な選択

第4週：機械学習の発展

• ニューラルネットワークとは?
• ニューラルネットワークの基礎
• ニューラルネットワークの学習
• 畳み込みニューラルネットワーク　
• ニューラルネットワーク実習
• 最近のニューラルネットワークの発展
• エピローグ