セミナー 印刷
【 2 名 同 時 申 込 で 1 名 無 料 】 対 象 セ ミ ナ ー 【Live配信セミナー(Zoom使用)】 ※会社・自宅にいながら学習可能です※

【Live配信】
ベイズ最適化の基礎と応用およびPythonによる実装

~基礎知識から、深層学習のパラメータ調整や材料工学への応用、実行方法まで~

本セミナーは、【Live配信】のみの開催となりました。(2020/6/8 更新)
※会場開催はございません。詳細につきましては下記「ライブ配信」の項目をご確認ください。
実験計画法や機械学習のハイパーパラメータ探索などに応用される「ベイズ最適化」。
その基本的な方法論から、深層学習におけるパラメータ調整や材料工学への応用例、実行方法(デモ有)までを詳しく解説します。
これからベイズ最適化について学ばれる方・知識を整理されたい方から、実務応用を考えている方など、ぜひこの機会をご活用ください。
日時 2020年7月31日(金)  13:00~16:30
会場 Live配信セミナー(リアルタイム配信) ※会社・自宅にいながら学習可能です※  
会場地図
受講料(税込)
各種割引特典
44,000円 ( S&T会員受講料 41,800円 ) S&T会員登録について
定価:本体40,000円+税4,000円
会員:本体38,000円+税3,800円
S&T会員なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で44,000円 (2名ともS&T会員登録必須​/1名あたり定価半額22,000円) 
テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
1名申込みの場合:受講料( 定価:35,200円/S&T会員 33,440円 )

35,200円 ( S&T会員受講料 33,440円 ) 
 定価:本体32,000円+税3,200円
 会員:本体30,400円+税3,040円
1名様でLive配信/WEBセミナーを受講する場合、上記特別価格になります。
※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
※他の割引は併用できません。
ライブ配信【ZoomによるLive配信】
 ・本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信となります。
 ・お申込み受理の連絡メールに、視聴用URLを記載しております。
  お手数ですが予め「Zoom」のインストールが可能か、接続可能か等をご確認ください。
  セミナー開催日時に、視聴サイトにログインしていただき、ご視聴いただきます。
 ・開催日時にリアルタイムで講師へのご質問も可能です。
 ・タブレットやスマートフォンでも視聴できます。
※セミナー資料は印刷物を開催日までに発送させていただく予定です。
※開催日直前にお申し込みいただいた場合は、テキストの到着がセミナー開始日時に間に合わない恐れがあります。
 Zoom上ではスライド資料は表示されますので、セミナー視聴には差し支えございません。
 印刷物は後日お手元に届くことになります。
備考※資料付
※講義中の録音・撮影はご遠慮ください。
得られる知識・機械学習における、能動学習や実験計画の考え方
・ベイズ最適化の基礎知識
・ベイズ最適化が応用可能な問題
・ベイズ最適化の実行方法
対象医学(創薬)や材料科学など、データ取得コストが高い問題を扱う分野の実務者の方。
大学初年度程度の微積分、線形代数、確率・統計の知識があるとより理解が深まると思います。

セミナー講師

名古屋大学大学院 医学系研究科 総合医学専攻 生物統計学分野 講師 博士(情報科学) 松井 孝太 氏
専門:統計的機械学習,生物統計学

セミナー趣旨

 科学的な営みを実行していくうえで、「設計」や「計画」は疎かにすることができない重要なプロセスです。設計や計画が問題の根幹となっている例は、ロボット開発・創薬・天然資源の探鉱など枚挙に暇がありません。
 近年、設計や計画問題に対するデータ駆動型のアプローチ、また、それを実現するための情報技術である機械学習が注目されています。データ駆動型のアプローチは、データ分析の方法だけでなく、データ収集の方法も、考察および最適化の対象とします。特に後者の性質は、ものづくりなどデータ収集コストが非常に高い分野において重要な意味をもっていると考えられます。
 本セミナーでは、データ駆動型のアプローチの一つであるベイズ最適化に注目し、その基本的な方法論と現実の問題をどのように計算機上でシミュレート可能なモデルに落とし込むか、というアイデアについて解説したいと思います。

セミナー講演内容

1.導入
 1.1 データ取得コストが高い現実の問題(創薬・新規材料開発を例に)
 1.2 機械学習によるデータ駆動型アプローチ(能動学習,実験計画という考え方について)
 
2.ベイズモデルによる機械学習とベイズ最適化の基礎
 2.1 ブラックボックスなシステムのベイズ統計的モデリング
  2.1.1 ベイズ線形回帰
  2.1.2 ガウス過程回帰
 2.2 ベイズ最適化の方法論
  2.2.1 導入:ブラックボックス関数のベイズ最適化
  2.2.2 獲得関数の設計
  2.2.3 連続値出力な関数に対するベイズ最適化
  2.2.4 離散値出力な関数に対するベイズ最適化(2値出力を例に)
  2.2.5 ベイズ最適化におけるハイパーパラメータの調整
 
3.応用事例紹介

 3.1 深層学習におけるパラメータ調整への応用
 3.2 適応的マッピングによる材料の低品質領域の高速推定
 3.3 イオン伝導性物質の伝導度推定
 
4.ベイズ最適化の実行

 4.1 Pythonによるベイズ最適化の実装方法の紹介
 4.2 ベイズ最適化の実行例のデモ紹介

 □質疑応答・名刺交換□