機械学習におけるパターン認識手法

　　　～SVMの理論と応用

　　現在の人工知能技術は、別名、データサイエンスとも呼ばれるものであり、データの
　持つ特性を、平均、分散などの統計量を元に分類を行うことを基本としています。
　　本セミナーは、現在の人工知能技術の基盤となる統計的な分類手法について解説し、
　人工知能の「中身」を理解していただくことを目的としています。


　S200130K

開催日時：2020年3月18日（水） 10:30-16:30

会　　場：オームビル（東京都千代田区神田錦町3‐1）
　　　　　　【地下鉄】東西線『竹橋駅』徒歩3分
　　　　　　　　　　　三田線・新宿線・半蔵門線『神保町駅』徒歩7分
　　　　　　　　　　　新宿線・千代田線『小川町駅』徒歩7分
　　　　　　　　　　　丸ノ内線『淡路町駅』徒歩8分
　　　　　　【JR】　　中央線・山手線・京浜東北線『神田駅』徒歩12分
　　　　　　　　　　　中央線・総武線『御茶ノ水駅』徒歩11分

受 講 料：お1人様受講の場合　46,000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）

　西田 健次　　氏

　　　東京工業大学 工学院 システム制御系 システム制御コース
　　　　特任准教授　博士(工学)


　　【ご略歴】
　　　　　慶應義塾大学工学部電気工学科卒業後、通商産業省工業技術院電子技術総合研究所入所、
　　　　(財)新世代コンピュータ技術開発機構(ICOT)出向を経て、
　　　　2001年より、 (独)産業技術総合研究所(AIST)主任研究員。
　　　　2018年4月より、東京工業大学システム制御系特任准教授。

　　【ご専門および得意な分野・研究】
　　　　・統計的パターン認識(主に画像系)
　　　　・コンピュータ・ビジョン　
　　　　・機械学習
　　

　　■講座のポイント　
　　　　　深層学習に代表される人工知能技術が注目されているが、その基本となっているのは
　　　　データの属性に基づく分類手法であることには変わりはない。
　　　　　本講座では、まず、データ分類の基礎となるデータ間の類似性についての考え方を紹介し、
　　　　確率的な誤り最小化、教師あり学習など、機械学習の基本となる手法を概観する。
　　　　　最後に、教師あり学習手法の例としてサポートベクターマシンを取り上げ、その代表的な
　　　　ライブラリであるLIBSVMの使用法を紹介するとともに、実際の応用例も紹介する。


　　■本セミナーに参加して修得できること　
　　　　・機械学習の基本となる教師あり学習の考え方
　　　　・確率的な考え方(ベイズ推定)の基本
　　　　・LIBSVMを例としたサポートベクターマシンの使用法
　　　　・未学習データに対する性能(汎化性、本当の性能と言ってよい)向上のためのポイント



　

　　1.　パターン認識技術の概要
　　　
　　2.　距離と類似性
　　　　2.1　特徴料
　　　　2.2　距離尺度
　　　　2.3　類似性
　　　　2.4　データの正規化
　　
　　3.　最近傍法とベイズ推定
　　　　3.1　最近傍法
　　　　3.2　確率的な考え方とベイズ推定
　　　　　3.2.1　確率分泌
　　　　　3.2.2　事前確率、条件付確率、事後確率
　　　　　3.2.3　期待損失と最尤推定

　　4.　線形識別手法
　　　　4.1　ベイズ推定と線形識別手法
　　　　4.2　損失関数
　　　　4.3　最適識別面とサポートベクターマシン（SVM）
　　　　4.4　ソフトマージンSVMと汎化性

　　5.　 非線形識別手法
　　　　5.1　非線形識別手法
　　　　5.2　カーネル法
　　　　5.3　カーネルSVM
　　　　5.4　カーネルSVMの汎化性

　　6.　 LIBSVM
　　　　6.1　LIBSVMの概要
　　　　6.2　LIBSVMの使用例

　　7.　 汎化性向上手法
　　　　7.1　特徴選択
　　　　7.2　サンプル最適化
　
　　8.　 まとめ、応用例など