BEGIN:VCALENDAR VERSION:2.0 PRODID:-//https://techplay.jp//JP CALSCALE:GREGORIAN METHOD:PUBLISH X-WR-CALDESC:【第18回数学カフェ】【確率・統計・機械学習 回】 X-WR-CALNAME:【第18回数学カフェ】【確率・統計・機械学習 回】 X-WR-TIMEZONE:Asia/Tokyo BEGIN:VTIMEZONE TZID:Asia/Tokyo BEGIN:STANDARD DTSTART:19700101T000000 TZOFFSETFROM:+0900 TZOFFSETTO:+0900 TZNAME:JST END:STANDARD END:VTIMEZONE BEGIN:VEVENT UID:617935@techplay.jp SUMMARY:【第18回数学カフェ】【確率・統計・機械学習回 】 DTSTART;TZID=Asia/Tokyo:20170422T130000 DTEND;TZID=Asia/Tokyo:20170422T190000 DTSTAMP:20260411T163845Z CREATED:20170331T000015Z DESCRIPTION:イベント詳細はこちら\nhttps://techplay.jp/event/61793 5?utm_medium=referral&utm_source=ics&utm_campaign=ics\n\n講演者\nTwitt erID: Kenmatsu4 さん（まつけんさん）\nプログラマのため の技術情報共有サイト「Qiita」にて、記事投稿ユーザ ー23674人のうち「いいね」の数でランキング32位を獲得 されています。https://qiita-user-ranking.herokuapp.com/?page=2\n 本講演では、主に確率、統計の初心者の方や、プログ ラマ、エンジニアの方でデータ分析に興味を持ってい る方が確率統計のエッセンスを数理的に理解できるこ とを目標に、データの集約方法から、大数の法則や中 心極限定理など、確率・統計で利用される非常に重要 な数学の定理などを紹介します。\nQiita: http://qiita.com/ke nmatsu4 \nSlideshare：http://www.slideshare.net/matsukenbook\nTwitterID: delta2323_ さん（大野健太さん）\n数学科出身で、ニュ ーラルネットワークのライブラリー Chainer の開発者の 一人です。本講演では数学に興味を持つ方を対象とし て、機械学習・深層学習の導入と深層学習の理論解析 に関する最近の結果を紹介します。\nWebsite: https://sites. google.com/site/kentaoono0/\nCompany: https://www.preferred-networks.jp/j a/\n内容\nまつけんさん\n機械学習、特にディープラー ニングの人気の高まりとともに、近年データアナリテ ィクスにスポットライトが当たっています。データを 扱うためには確率・統計の基本知識は欠かせません。 機械学習の手法も確率的なバックグラウンドを持つも のが多数あります。コンピューターが発達した現代で は、計算自体は実行してしまえば結果が出ますが、そ の結果値の解釈をするためには何が行われてその値が 出力されているか仕組みを理解することが重要です。 そのためには確率統計の道具の数理的理解が非常に役 に立ちます。\nデータ分析の目的は、\n\n手持ちのデー タをシンプルに集約して概要を知りたい\nまだ手に入 っていないデータの推測をしたい\n手持ちのデータが 生み出される構造を知りたい\nグループ間に差異があ るか知りたい\n\nなど様々で、それぞれ使われる道具が 異なります。なぜ統計を学ぶために確率が必要か疑問 に思う方も中にはいるかもしれませんが、推測を行う ということは不確実性を扱うことになるため確率的な アプローチが必要となってくるのです。ランダムな事 象を、ある種決定的な数式という表現形式でどのよう に捉えていくのか、確率の概念は非常に興味深いもの です。実用的な目的だけでなく、数学的な美しさも感 じられると考えています。\n本講演では、主に確率、 統計の初心者の方や、プログラマ、エンジニアの方で データ分析に興味を持っている方が確率統計のエッセ ンスを数理的に理解できることを目標に、データの集 約方法から、大数の法則や中心極限定理など、確率・ 統計で利用される非常に重要な数学の定理などを紹介 します。\nデータ分析はその数式に基づきデータを流 して計算することが非常に重要であるため、数式の解 説だけでなくPythonなどのプログラミング言語を用いた デモンストレーションを用いて、確率統計の手法や理 論に対して直感を養うことも目的としています。\n大 野さん\n本講演では数学に興味を持つ方を対象として 、機械学習・深層学習の導入と深層学習の理論解析に 関する最近の結果を紹介します。\n機械学習は情報科 学の一分野で、人間が行うような「判断」を計算機に も行わせるための技術の総称です。典型的には、与え られたデータから特徴・傾向・法則などを抽出して何 らかのモデルを構築する学習（訓練とも言う）を行っ た後、未知のデータに対してモデルを適用する予測（ 推論とも言う）を行います。近年、計算機・インター ネット・様々なデバイスが発達し大量のデータが取得 できるようになりました。その結果、データから知見 を得たいというニーズが高まり、その実現技術として 機械学習は様々な産業分野に応用されています。\n本 講演では、まず機械学習（特に頻度論の立場での教師 あり学習）の問題設定を定式化します。その中で、損 失関数・訓練誤差・汎化誤差など、機械学習において 重要な概念も導入します。\n機械学習の理論的な側面 に関しては素晴らしい本が多数存在します。しかし、 定義・定理・証明と整理されている数学の教科書とは 異なり、何を仮定しているかが明示されていなかった り、関数に定義域が書かれていなかったりなど、数学 を専攻してきた人には慣れないと最初は読みにくいか もしれません。また、（大学）数学を専攻していない 方の中には、数式の羅列に圧倒される方も多くいるか もしれません。そのギャップをなるべく解消し、機械 学習の理論面を扱う本を読みやすくすることを目標と します。\n本講演の後半では、深層学習の理論的解析 に関して、最近の結果を紹介します。\n深層学習は機 械学習の一分野で、予測モデルとして、単純な変換を 何回も適用する「深い」計算グラフを利用するのを特 徴とします。2009年の音声認識・2012年の画像認識のコ ンテストなどを契機に注目を浴び、そのブームは2017年 の現在でも続いています。\n深層学習は、当初実用的 には高い予測精度を実現した事で注目を浴び、精度の さらなる改善や学習速度向上のために様々なヒューリ スティックが提案されてきました。しかし、なぜその ような予測精度を達成できるかについての理論的な説 明は乏しく、現在でも多くの未解決問題が残っていま す。それでも、様々な研究者が得意分野の道具を持ち 寄って、深層学習の理論解析が現在進行系で進めてい ます。予測モデルの汎化誤差は「汎化誤差の下限」「 近似誤差」「推定誤差」「最適化誤差」の4つに分解で きます[Bottou+11][得居15]。本講演でもこの分解になぞっ て最近の結果を紹介します。また、特にその中の1つを 詳しく解説する予定です（深層学習モデルが作る損失 関数のlandscapeについて話そうと思っています）。\n参 考文献\nmathtakeさんのブログ記事「Deep Learningの理論的 論文リスト」 2017年3月29日閲覧\nhttp://mathetake.hatenablog.co m/entry/2016/12/20/005632\n[Bottou+11] L. Bottou and O. Bousquet\, “The tradeoffs of large scale learning\,” In Optimization for Machine Learn ing\, MIT Press\, pp. 351–368\, 2011.\n[得居15] 得居誠也. (2015). 最適化から見たディープラーニングの考え方 (< 特集> ニューロサイエンスと数理モデリング). オペレーショ ンズ・リサーチ: 経営の科学\, 60(4)\, 191-197.\nパネルデ ィスカッション\n数学カフェは、すでに研究されてい ることをお話しするだけでなく、今後どういった課題 が考えうるか、創造的な議論が出来る場にしたいと思 っています。従来は参加者のみんなで自由に議論する スタイルをとっていましたが、今回は規模も大きいた め、パネリストの方々をお迎えしてパネルディスカッ ションの時間を設けました。\n前半 (20分間)「今後機械 学習の理論はどのように進展していくか？」\n微分幾 何学専攻から機械学習の分野に進まれたMathetakeさん（ 六本木某所のエンジニア）をお招きし、講師の大野さ んと議論していただきます。たとえば幾何的な目線で 機械学習の理論を捉えると、どんな世界が広がって見 えるのでしょうか？とても楽しみです！\n後半 (10分間) 「確率・統計の知識と機械学習をどう結びつけるか？ 」\n機械学習の理論を習得するにあたって、確率・統 計学の基本的な知識からの隔たりに戸惑う方も多くい らっしゃるかもしれません。本パートでは、確率・統 計や保険数理に関する著作多数であり、機械学習も含 めた関連諸分野に関する講師経験も豊富な岩沢宏和先 生をお迎えし、講師の大野さんと共に議論をしていた だきます。\nパネリスト\nTwitterID: MATHETAKE さん\n\n数学 科出身\n学生時代の専門はSymplectic幾何学。特に４次元 のhyper-Kähler多様体の性質について研究。\n修論テーマ が早く決まりすぎ＆結果が出て暇だったので、数理フ ァイナンスの勉強していたらいつの間にか機械学習に ハマってしまい、純粋数学の人ならではの視点から機 械学習を開設するブログを開設。\nTwitterで誰か雇って くれ、と呟いたところ複数社からダイレクトメッセー ジが届きTwitter就活をする。\n現在六本木某所で機械学 習エンジニアとして勤務。\n\nブログのURL：　http://mathe take.hatenablog.com/\n岩沢宏和さん\n現在、日本アクチュア リー会、損害保険事業総合研究所などで、アクチュア リー関連講座の講師を務めている。 \nまた、東京大学 大学院経済学研究科でも学部との共通講義「保険数理I I」の講師を務めている。\n日本保険年金リスク学会（J ARIP）理事。\nパズル・デザイナーとしての顔ももち、 国際パズルデザインコンペティションにてパズル・オ ブ・ザ・イヤー（2008年）、パズラーズ・ アウォード （2012年）など多数受賞。\n米NPO法人International Puzzle Coll ectors Associationアジア地区プレジデント。\n主な著書： 『リスク・セオリーの基礎』、『損害保険数理』（共 著）、『分布からはじめる確率・統計入門』、『リス クを知るための確率・統計入門』、『世界を変えた確 率と統計のからくり134話』、『確率パズルの迷宮』、 『確率のエッセンス』など多数。\nタイムテーブル（ 時間は目安です。）\n\n\n\n時間\n内容\n担当\n\n\n\n\n13:00- 13:10\n開会あいさつ\n主催者\n\n\n13:15-14:15\n講演１\nまつ けんさん\n\n\n14:30-15:30\n講演１\nまつけんさん\n\n\n15:30-1 5:45\n質疑等\nまつけんさん\n\n\n16:00-17:00\n講演２\n大野 さん\n\n\n17:10-18:10\n講演２\n大野さん\n\n\n18:10-18:20\n質疑 等\n大野さん\n\n\n18:25-18:55\nパネルディスカッション\n パネリストの方々\n\n\n\n注意事項\nお申込みにあたって は、会場のセキュリティの観点から、本名とご所属を お教えください。入場以外の使途には用いませんので ご安心くださいませ。\n当日は身分証明書をご提示頂 く必要があります。お忘れのないようにお願い致しま す。\n皆様にお会い出来るのを楽しみにしております 。 LOCATION:Yahoo! Japan コワーキングスペース LODGE 東京都千代 田区紀尾井町1-3 (東京ガーデンテラス紀尾井町) URL:https://techplay.jp/event/617935?utm_medium=referral&utm_source=ics&utm _campaign=ics END:VEVENT END:VCALENDAR