現在の機械学習の成功は主にビッグデータと呼ばれるような大量のデータを用いた学習に支えられている部分が大きい。しかし一方で、データの取得にコストや時間がかかって少数のデータしか得られないというケースも現実には多数存在し、単純に機械学習を適用しても満足のいく精度が出ないことがある。
　本セミナーでは、そうした場合に焦点を当て、ディープラーニングで必ずしも学習データ数が多くない場合や異常検知で異常値のデータ数が少ないといった問題点を解決するための戦略について事例を交えながら紹介する。

1. 機械学習の概要
   1. ビッグデータとディープデータ
   2. 次元の呪いと汎化能力
   3. データ解析の基本手順
   4. 人間の知識のモデル化
   5. シミュレーションとデータ解析
2. 少数・高次元データの学習のための技術
   1. スパースモデリングと正則化
   2. 圧縮センシングによる高解像度撮像
   3. シミュレーションデータを活用したスパースモデリング
3. 人間の知識をモデル化するための技術
   1. ベイズモデリングと確率的知識
   2. ベイジアンネットを使ったモデル化法
   3. ベイズ推論のための計算アルゴリズム
   4. データ同化と状態空間モデルによる時系列モデリング
4. 結果の評価・可視化・説明
   1. 機械学習結果の評価法
   2. 信頼度付き機械学習
   3. ディープラーニングの結果の解釈と説明
5. データ不足を補ういろいろな技術
   1. 異常検知のための技術
   2. 半教師あり学習とクラウドソーシング
   3. 欠損値補完の技術
   4. 転移学習とマルチタスク学習
   5. ディープラーニングにおける少数画像の学習
6. 効率的なデータ取得方法
   1. アクティブラーニングによるデータ取得
   2. ベイズ最適化による実験計画
   3. シミュレーションと組み合わせた最適化
7. まとめ