セミナー 印刷

機械学習による適応的実験計画
-ベイズ最適化と能動的レベル集合推定の基礎と実践-

基礎・考え方、統計モデリング、アルゴリズム、Pythonによる実践、
機械学習の超パラメータ調整や材料の低品質領域の高速推定等の適用事例

受講可能な形式:【Live配信(アーカイブ配信付)】のみ

能動学習・適応的実験計画という考え方、ベイズ最適化・能動的レベル集合推定の基礎と方法、複雑な問題に対するベイズ最適化、各応用事例、Pythonによる実装方法などを解説。当日はデモも実施します(google colaboratoryにアクセス可能な方は、実際に体験できます)。
日時 2024年7月31日(水)  10:30~16:30
会場 オンライン配信セミナー  
会場地図
受講料(税込)
各種割引特典
55,000円 ( E-Mail案内登録価格 52,250円 ) S&T会員登録とE-Mail案内登録特典について
定価:本体50,000円+税5,000円
E-Mail案内登録価格:本体47,500円+税4,750円
E-Mail案内登録なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で55,000円 (2名ともE-mail案内登録必須​/1名あり定価半額27,500円)
※【テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
1名申込みの場合:受講料( 定価:41,800円/E-mail案内登録価格:39,820円 ) 
 定価:本体38,000円+税3,800円
 E-mail案内登録価格:本体36,200円+税3,620円
1名様でオンライン配信セミナーを受講する場合、上記特別価格になります。
※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
※他の割引は併用できません。
配布資料PDFテキスト(印刷可・編集不可)
開催2日前を目安に、弊社HPのマイページよりダウンロード可となります。
オンライン配信ZoomによるLive配信 ►受講方法・接続確認申込み前に必ずご確認ください
■アーカイブ配信について
 視聴期間:終了翌営業日から7日間[8/1~8/7]を予定
 ※アーカイブは原則として編集は行いません
 ※終了翌営業日の午前中には、マイページに視聴リンクを設定します。
備考※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。
得られる知識・機械学習による適応的実験計画の考え方
・ベイズモデリングの基礎知識
・ベイズ最適化や能動的レベル集合推定の基礎知識
・ベイズ最適化や能動的レベル集合推定の実行方法
・具体的な適用事例
対象医学(創薬)や材料科学など、データ取得コストが高い問題を扱う分野の実務者の方
大学初年度程度の微積分、線形代数、確率・統計の知識を仮定します。

セミナー講師

名古屋大学 大学院医学系研究科 総合医学専攻 生物統計学分野 講師 博士(情報科学) 松井 孝太 氏
専門:統計的機械学習、生物統計学
(兼任)東京工業大学特別研究員
個人ページ:https://sites.google.com/site/matsuikotaswebpage/

セミナー趣旨

 科学的な営みを実行していく上で、「設計」や「計画」はおろそかにすることができない重要なプロセスです。設計や計画が問題の根幹となっている例は、ロボット開発・創薬・天然資源の探鉱など枚挙に暇がありません。近年、設計や計画問題に対するデータ駆動型のアプローチ、また、それを実現するための情報技術である機械学習が注目されています。
 データ駆動型のアプローチは、データ分析の方法だけでなく、データ収集の方法も考察および最適化の対象とします。特に後者の性質は、ものづくりなどデータ収集コストが非常に高い分野においては重要な意味を持っていると考えられます。
 本セミナーでは、データ駆動型のアプローチの一つである適応的実験計画に注目し、ベイズ最適化と能動的レベル集合推定という2つの手法について、統計モデリング、アルゴリズム、適用事例を解説したいと思います。

セミナー講演内容

1.導入
 1.1 機械学習によるデータ駆動型アプローチ
  (能動学習、適応的実験計画という考え方について)
 1.2 ブラックボックス関数の最適化問題とベイズ最適化・レベル集合推定
 
2.ベイズモデルによる機械学習と回帰のための適応的実験計画
 2.1 ベイズ線形回帰
 2.2 ガウス過程回帰
 2.3 ガウス過程回帰に基づく関数推定のための適応的実験計画
 
3.ベイズ最適化の方法論
 3.1 ベイズ最適化の基本アルゴリズム
 3.2 様々な獲得関数に基づくベイズ最適化
 
4.能動的レベル集合推定の方法論
 4.1 レベル集合推定問題の定式化とアルゴリズム
 4.2 能動的レベル集合推定のための獲得関数
 
5.より複雑な問題に対するベイズ最適化
 5.1 制約付き最適化のためのベイズ最適化
 5.2 コスト考慮型のベイズ最適化
 5.3 多目的最適化のためのベイズ最適化
 5.4 複数条件を同時に観測できる問題のためのベイズ最適化
 5.5 高次元な入力空間上のベイズ最適化
 
6.応用事例紹介
 6.1 機械学習モデルの超パラメータ最適化
 6.2 レベル集合推定による太陽電池用シリコンインゴットの低品質領域の推定
 6.3 イオン伝導性物質の伝導度推定
 6.4 Siエピタキシャル成長プロセス条件の最適化
 6.5 抗がん剤第I相臨床試験における最大耐用量の同定
 
7.ベイズ最適化の実行
 7.1 Pythonによるベイズ最適化の実装方法の紹介
 7.2 回帰のための能動学習、ベイズ最適化、能動的レベル集合推定のデモ紹介
(google colaboratoryにアクセス可能な方はハンズオン)

 □ 質疑応答 □