機械学習の応用において、画像や遺伝子データといった高次元データは頻繁に現れ、その重要性は高い。高次元データ解析には、データの含む不必要な情報に学習結果が影響され、過学習を引き起こしやすいという難しさがある。このような問題を回避する有効な方法として「スパース学習」がある。スパース学習は、データの本質的に意味のある情報の低次元性 (スパース性) を利用し、目的に関係ない情報を削除しながら学習をする方法である。
　本講義では、スパース学習の全体像を概略的に説明する。まず、スパース学習が有効な統計モデルを紹介し、その上でどのようなスパース学習手法があるかを解説する。そして、その統計理論や、画像処理などのいくつかの応用も紹介する。さらに、スパース学習を実現させる計算手法として、効率的な最適化手法も講義する。

1. 特徴選択の問題
2. 各種正則化学習法
   1. L1正則化
   2. グループ正則化
   3. トレースノルム正則化
   4. 階層的正則化
   5. グラフ型正則化
3. 各種正則化に対応するスパース性
4. スパース学習の統計的学習理論
5. スパース学習を用いた高次元データの統計的検定手法
6. 画像処理とスムージング
7. 正則化学習法の最適化手法
   1. 近接勾配法
   2. 確率的勾配降下法
   3. 確率的座標降下法
   4. 確率的分散縮小勾配法