| 開催日 | 2025年6月20日(金) |
|---|---|
| 開催地 | Web |
★書籍「機械学習の数理100問シリーズ」(共立出版)の著者 鈴木讓先生が講演！
★数式だけではなく、ソースプログラムを追い、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。
■セミナーテーマ
確率的グラフィカルモデルと因果推論
＜Zoomによるオンラインセミナー:見逃し視聴あり＞
■講師
大阪大学 大学院基礎工学研究科 数理科学領域 教授 博士（工学） 鈴木讓 氏
■主経歴
1989年早稲田大学大学院博士課程修了
1989年早稲田大学助手、1992年青山学院大学助手、1994年大阪大学理学部講師、1998年同大学院理学研究科准教授、2017年同基礎工学研究科教授 (現職)、2025年大阪大学数理データ科学教育研究センター(MMDS)センター長
■主要著書
ベイジアンネットワーク入門（培風館、2009年）
確率的グラフィカルモデル（共立出版、2016年）植野真臣他と共著
機械学習の数理100問シリーズ（共立出版、2020年）; 統計的機械学習の数理100問with R 、統計的機械学習の数理100問with Python、スパース推定100問with R、スパース推定100問with Python、機械学習のためのカーネル100問with R、機械学習のためのカーネル100問with Python、渡辺澄夫ベイズ理論100問with R、渡辺澄夫ベイズ理論100問with Python
Statistical Learning with Math and R（Springer, 2020）
Statistical Learning with Math and Python（Springer, 2020）
Sparse Estimation with Math and R（Springer, 2021）
Sparse Estimation with Math and Python（Springer, 2021）
Kernel Methods for Machine Learning with Math and R（Springer, 2022）
Kernel Methods for Machine Learning with Math and Python（Springer, 2022）
WAIC/WBIC with Math and R（Springer, 2024）
WAIC/WBIC with Math and Python（Springer, 2024）
■本テーマ関連の所属学会・協会・団体等
日本統計学会、日本行動計量学会、日本計算機統計学会、人工知能学会、日本数学会
●日時 2025年6月20日（金） 10:30-16:30
●会場 会場での講義は行いません。
●受講料
【オンラインセミナー（見逃し視聴なし）】：1名50,600円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき39,600円
【オンラインセミナー（見逃し視聴あり）】：1名56,100円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき45,100円
＊学校法人割引；学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認下さい。
■セミナーポイント・参加対象等
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追い、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。各人の学習の目標を聞き、質疑応答を重視し、講義が一方的にならないように配慮する。（Rubin因果推論は、講義の対象外となる）。
■受講後、習得できること
・グラフィカルモデルの定義
・カーネルによる独立性、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（PCアルゴリズム、スコアベース）
・因果順序の推定（LiNGAMとその周辺）
■セミナープログラム
1.グラフィカルモデルの定義
1.1 条件付き独立性
1.2 グラフの分離性
1.3 グラフによる条件付き独立性の表現（ベイジアンネットワーク、マルコフネットワーク）
2.独立性、条件付き独立性の検定
2.1 正定値カーネルと再生核Hilbert空間
2.2 独立性の検定：Hilbert Schmidt Information Criterion（HSIC）
2.3 条件付き独立性の検定：Kernel-based Conditional Independence（KCI）Test
3.PCアルゴリズム
3.1 PCアルゴリズムの概要
3.2 複数変数による条件付き独立性の検定
3.3 骨格の生成
3.4 骨格に矢印の向きをつける
4.LiNGAM
4.1 LiNGAMの概要
4.2 多変数の場合のLiNGAM
4.3 識別性可能性
4.4 交絡への対応
5.スコアベースの構造学習
5.1 グラフィカルモデルの構造学習
5.2 周辺尤度による構造学習
5.3 変数順序が未知の場合の構造学習
5.4 森を生成する構造学習
6.変数が多い場合の構造学習
6.1 Lasso
6.2 Graphical Lasso
6.3 疑似尤度を規準にグラフを生成する
（質疑応答）
