機械学習概論PR用1分動画

機械学習の全体像を俯瞰する。機械学習の歴史を辿り、機械学習の基礎となる要素技術を、４つの大きな柱にまとめる考え方を紹介し、それぞれの概要を説明する。

回帰問題とモデル選択について解説します。与えられる学習データが複雑だったり、高次元だったりする問題に対して、どのような手順で最適な答えを導き出すのか。そのアプローチの仕方の基本を解説する。また、次元の呪いと汎化能力という重要な考え方を解説する。

汎化能力についての数値実験による検証と汎化能力の高い学習モデルを選択するための正則化という考え方を紹介する。また、正則化の基本となるリッジ回帰という方法と、汎化能力の信頼性を高める交差検証についての基礎を解説し、正則化や交差検証を使って実際に学習モデルの選択がどのように行われるのかを示す。

スパースモデリングについて講義する。多くの変数の中から重要な変数に絞り込む方法であるL0正則化について述べ、目的関数を最適化する勾配法を使った実用的なL1正則化をスパースモデリングに導入する方法について解説する。最後に現在、天文学や医療分野で注目を集めている圧縮センシングを紹介する。

文字や音声の認識など、パターン認識への応用の基礎となる識別の基本と、どのような誤差を最小化すればよいのかを解説します。さらに、条件付確率に基づいた識別手法である「ロジスティック回帰」について説明し、さらに、ロジスティック回帰とは違った立場から線形識別関数を学習する手法であるサポートベクターマシン（SVM）を紹介します。

識別の手法を紹介し、具体的な問題を例にあげながら機械学習の技術のベースとなる「確率」に関する知識を学びます。その後に、識別手法のなかでも性能の高い学習モデルである「ランダムフォレスト」を解説します。
さらに、「我々人間がどのような行動をとればよいのか」という現実的な判断につながるという重要な意味を持つ識別結果の評価指標を紹介します。最後に、機械学習において確率を扱うのに非常に大きな役割を果たすベイズの定理について説明します。

回帰、識別、次元圧縮、クラスタリングの機械学習における４つの柱すべてに適用が可能な、確率計算に基づくモデリング手法であるベイズモデリングについて学びます。ここでは、ベイズモデリングの一般的な手順を説明し、単純ベイズ法という基本的なモデルで識別の問題を実践してみます。次に、線形回帰の問題をベイズモデリングの立場から見直すことで、正則化との関連性を述べます。 最後に、複雑なベイズモデリングを行うためのベイジアンネットワークについて説明します。

機械学習の４本の柱のうち、教師なし学習である次元圧縮とクラスタリングを中心に学びます。次元圧縮やクラスタリングといった教師なし学習の手法が、これまで講義した教師あり学習も含めて、ベイズモデリングによって統一的に理解できることを説明します。
最後に、機械学習の枠組みの広がりの一端を紹介します。