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。

1. パターン認識技術の概要
2. 距離と類似性
   1. 特徴料
   2. 距離尺度
   3. 類似性
   4. データの正規化
3. 最近傍法とベイズ推定
   1. 最近傍法
   2. 確率的な考え方とベイズ推定
      1. 確率分泌
      2. 事前確率、条件付確率、事後確率
      3. 期待損失と最尤推定
4. 線形識別手法
   1. ベイズ推定と線形識別手法
   2. 損失関数
   3. 最適識別面とサポートベクターマシン (SVM)
   4. ソフトマージンSVMと汎化性
5. 非線形識別手法
   1. 非線形識別手法
   2. カーネル法
   3. カーネルSVM
   4. カーネルSVMの汎化性
6. LIBSVM
   1. LIBSVMの概要
   2. LIBSVMの使用例
7. 汎化性向上手法
   1. 特徴選択
   2. サンプル最適化
8. まとめ、応用例など