グラフィカルモデルは、大学の講義やテキストが少なく、奥が深いので、独学が難しい。
　本セミナーでは、数式だけではなく、ソースプログラムをおい、実行結果を確認する。手を動かして身につけることを優先する。データサイエンティスト、機械学習エンジニア、研究者が対象。論理的に把握できた方が、楽しめるように思われる (Rubin因果推論は、講義の対象外となる) 。
　受講後、・グラフィカルモデルの定義、・独立性、条件付独立性の検定、・ベイジアンネットワークの構造学習、・因果順序の推定 (LiNGAMとその周辺) 、・グラフィカルLassoを習得できることを目指します。

1. グラフィカルモデルの定義
   1. 条件付き独立性とグラフの分離性
   2. マルコフネットワークとベイジアンネットワーク
2. 独立性、条件付き独立性の検定
   1. 離散データの相互情報量の推定と、独立性、条件付き独立性
   2. 正定値カーネルと再生核Hilbert空間
   3. Hilbert Schmidt Information Criterion (HSIC)
3. ベイジアンネットワークの構造学習
   1. PCアルゴリズム
   2. スコアベースの構造学習
   3. 森の学習
4. 因果順序の推定
   1. LiNGAMの一般論
   2. 多変数の場合のLiNGAM
   3. 交絡のある場合
5. 高次元の場合の対応
   1. Lasso
   2. グラフィカルLasso
   3. 疑似尤度を用いたグラフの構造学習