機械学習はさまざまな分野に広がりを見せているが、数多くの手法があり、どのようにデータ解析を進めてよいかが難しい場合も多い。
　本セミナーでは、機械学習の入門からはじめ、さまざまな手法の基本的な考え方を紹介し、それぞれを効率的に活用する方法を解説する。また、製造業などで需要の高い設計の最適化などへも機械学習技術が適用可能であることを紹介する。

1. 機械学習の基礎
   1. 機械学習とは
   2. 多変量解析・データマイニングと機械学習
   3. 機械学習の最新動向
   4. 機械学習でできること
   5. 回帰と予測:一番簡単な機械学習
   6. 汎化誤差
   7. 次元の呪い
   8. モデル選択
   9. 正則化法
   10. 確率と機械学習
   11. ベイズモデリング:機械学習を束ねる枠組み
   12. 機械学習と最適化
   13. データ解析のマネージメント
2. 機械学習の基本手順
   1. 現場的データ解析
   2. データの可視化
   3. あてはめと予測
   4. 予測と補間・主な手法
   5. モデル選択
   6. 交差検証
   7. スパースモデリング
   8. 情報量規準
   9. LASSO
   10. リッジ回帰
   11. 主成分分析:低次元化の方法
   12. 次元数の選び方
   13. 行列分解
   14. 推薦とトピック抽出
   15. 欠損値の補完
   16. クラスタ分析
   17. 階層的クラスタリングと非階層的クラスタリング
   18. 異常値・外れ値検出
   19. パターン認識
   20. 教師データの作り方
   21. パターン認識のいろいろな手法
3. モデル化の効率化
   1. 線形ガウスモデル
   2. ベイジアンネット
   3. 迷惑メールフィルタ
   4. ナイーブベイズ法
   5. カーネル法
   6. サポートベクターマシン
   7. アンサンブル学習
   8. ランダムフォレスト
   9. 転移学習とデータ利用
   10. ニューラルネットワーク
   11. ディープラーニングの基礎
   12. ディープラーニングを利用した画像特徴抽出
   13. 意思決定とバンディット問題
   14. 強化学習
   15. 時系列モデル
   16. 状態空間モデル
   17. パーティクルフィルタ
   18. 時系列か関数か
4. 機械学習と最適化
   1. 造業と最適化
   2. 最急降下法と局所解の問題
   3. 最適化とベイズモデリング
   4. スペクトルデータの解析
   5. マルコフ連鎖モンテカルロ法による最適化
   6. 設計と実験
   7. ベイズ最適化による最適実験計画
5. まとめ
• 質疑応答