8月082025

機械学習による適応的実験計画－ベイズ最適化と能動的レベル集合推定の基礎と実践－

Python

機械学習による適応的実験計画セミナー

📊
印刷

機械学習による適応的実験計画

－ベイズ最適化と能動的レベル集合推定の基礎と実践－

～基礎から、統計モデリング、アルゴリズム、Pythonによる実践、具体的な適用事例まで～

受講可能な形式：【Live配信(アーカイブ配信付)】のみ

能動学習・適応的実験計画という考え方、ベイズ最適化・能動的レベル集合推定の基礎と方法、
複雑な問題に対するベイズ最適化（制約付き最適化や多目的最適化のためのベイズ最適化等）、
機械学習モデルの超パラメータ調整やSiエピタキシャル成長プロセス条件の最適化等の各応用事例、
Pythonによる実装方法などについて解説。当日はデモも実施します。
(google colaboratoryにアクセス可能な方は、実際に体験できます）。

日時	2025年8月8日（金） 10:30～16:30
受講料(税込)	55,000円 ( E-Mail案内登録価格 52,250円 ) 定価：本体50,000円＋税5,000円 E-Mail案内登録価格：本体47,500円＋税4,750円
特別価格	E-Mail案内登録なら、2名同時申込みで1名分無料 2名で55,000円 (2名ともE-mail案内登録必須／1名あり定価半額27,500円)
配布資料	PDFテキスト(印刷可・編集不可) ※開催2日前を目安に、弊社HPのマイページよりダウンロード可となります。
オンライン配信	ZoomによるLive配信 ■アーカイブ配信について視聴期間：終了翌営業日から7日間［8/12～8/18］を予定 ※アーカイブは原則として編集は行いません ※開催日の翌営業日の午前中には、マイページに視聴リンクを設定します。

※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。

習得できる知識

ベイズモデリングの基礎知識
ベイズ最適化や能動的レベル集合推定の基礎知識
ベイズ最適化や能動的レベル集合推定の実行方法
具体的な適用事例

前提知識：大学初年度程度の微積分、線形代数、確率・統計の知識を仮定します。

セミナー講師

京都大学大学院医学研究科社会健康医学系専攻医療統計学分野准教授博士(情報科学) 松井孝太氏

専門：統計的機械学習，生物統計学

（兼任）東京工業大学特別研究員

（兼任）滋賀大学データサイエンス・AIイノベーション研究推進センター特任准教授

個人ページ：https://sites.google.com/site/matsuikotaswebpage/

セミナー趣旨

科学的な営みを実行していく上で、「設計」や「計画」はおろそ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は重要な意味を持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適応的実験計画に注目し、ベイズ最適化と能動的レベル集合推定という2つの手法について、統計モデリング、アルゴリズム、適用事例を解説したいと思います。

セミナー講演内容

１．導入

1.1 機械学習によるデータ駆動型アプローチ（能動学習、適応的実験計画という考え方について）
1.2 ブラックボックス関数の最適化問題とベイズ最適化・レベル集合推定

２．ベイズモデルによる機械学習と回帰のための適応的実験計画

2.1 ベイズ線形回帰
2.2 ガウス過程回帰
2.3 ガウス過程回帰に基づく関数推定のための適応的実験計画

３．ベイズ最適化の方法論

3.1 ベイズ最適化の基本アルゴリズム
3.2 様々な獲得関数に基づくベイズ最適化

４．能動的レベル集合推定の方法論

4.1 レベル集合推定問題の定式化とアルゴリズム
4.2 能動的レベル集合推定のための獲得関数

５．より複雑な問題に対するベイズ最適化

5.1 制約付き最適化のためのベイズ最適化
5.2 コスト考慮型のベイズ最適化
5.3 多目的最適化のためのベイズ最適化
5.4 複数条件を同時に観測できる問題のためのベイズ最適化
5.5 高次元な入力空間上のベイズ最適化

６．応用事例紹介

6.1 機械学習モデルの超パラメータ最適化
6.2 レベル集合推定による太陽電池用シリコンインゴットの低品質領域の推定
6.3 Siエピタキシャル成長プロセス条件の最適化
6.4 抗がん剤第I相臨床試験における最大耐用量の推定
6.5 がん剤第I/II相臨床試験における毒性と有効性を考慮した許容用量集合の推定

７．ベイズ最適化の実行

7.1 Pythonによるベイズ最適化の実装方法の紹介
7.2 回帰のための能動学習、ベイズ最適化、能動的レベル集合推定のデモ紹介（google colaboratoryにアクセス可能な方はハンズオン）

□ 質疑応答 □

今すぐ申し込む