機械学習の数理

１．機械学習・データマイニングとは ２．パラメータ推定 　　２．１　最尤推定法 　　２．２　ベイズ推定法 　　２．３　線形回帰 　　２．４　スパース正則化 　　２．５　Graphical LASSO 　　２．６　勾配降下法/確率勾配法/Adam ３．モデル選択 　　３．１　情報量規準　AIC, BIC 　　３．２　情報・符号・確率的コンプレキシティ 　　３．３　記述長最小原理（ＭＤＬ原理） ４．教師なし学習とクラスタリング 　　４．１　潜在変数モデルとEMアルゴリズム 　　４．２　マルコフ連鎖モンテカルロ法 　　４．３　トピックモデル 　　４．４　確率ブロックモデル 　　４．５　非負値行列因子分解 　　４．６　教師なし学習の評価基準 ５．教師あり学習と分類 　　５．１　確率的決定木の学習 　　５．２　ランダムフォレスト法 　　５．３　集団学習とブースティング 　　５．４　グラジエント　ブースティング 　　５．５　サポートベクトルマシン 　　５．６　人工ニューラルネットワーク 　　５．７　深層学習（CNN, RNN） 　　５．８　変分オートエンコーダ 　　５．９　敵対的学習(GAN|) ５。１０ Transformer 　　５．１１ 教師あり学習の評価基準 ６．埋め込み 　　６．１　単語埋め込み 　　６．２　グラフ埋め込み 　　６．３　双曲空間埋め込み ７．オンライン学習 　　７．１　逐次的確率予測 　　７．２　最尤予測とベイズ予測 　　７．３　逐次的正規化最尤予測 ８．その他 　　８．１　Stable Diffusion 　　８．２　異常検知/変化検知 　　

講義資料はITC-LMSに置いておくので、事前にダウンロードしておくこと。 I will put manuscripts in ITC-LMS. Please download them beforehand. 講義時間は　毎週月曜　10:25--12:10 (105分） 初回～第6回まではオンラインで講義する。URLはITC-LMSにて通知する。 その後は基本対面で実施する（ハイブリッド）。 A lecture will be given on-line from the first to the sixth. After those, a lecture will be off-line in principle (hybrid form is now into consideration).

レポート。

2022年

基礎を固める（分野別基礎）

前提となる知識と項目：線形代数 初等解析 確率論 情報理論 統計学 アルゴリズムの基礎 応用先_分野と項目：人工知能 知識発見（マーケティング、交通データ解析、生命科学, 経済分析など） ビッグデータ解析 データマイニング データサイエンス 異常検知と変化検知（障害検知、イベント検知など） メディア処理（画像、言語、音声）

機械学習の実適用例を毎回一定の時間を割いて紹介する。