[Math & Coding #02] 強化学習 / MCMC を学ぼう

Math & Codingは数学とプログラミングの知識を向上したい方が集い学び合う場です。 機械学習やデータ分析予測業務の仕事のニーズが高まるにつれ数学とプログラミングの 両方を習得していくことはとても重要です。 どちらも習得に時間はかかりますが、学べば品質の高い仕事につながると考えます。 当面の主な関心領域は、回帰分析、最適化、確率統計、強化学習です。 参加者の要望もお伺いし決めていこうと考えています。

スタイルについて 基本的に有志による勉強会なので、、ゆるく不定期にやっていこうと思います。 質問は認識を深める大切なコミュニケーションだと考えます。 内容に関係する質問ならいつでもOKです。 各回によってテーマを決めて自習したり、講師に話してもらったり、プログラミングのハンズオン　　 をしたりしていこうと思っています。

対象者 数学とプログラミングの知識を学び分析業務等に活かしていきたい方

今回の内容について
[前半] 大阪大学 知能機能創成工学専攻　岩城 諒　氏
強化学習について
強化学習とは一言で言うと、「飴と鞭による意志決定則の最適化手法」（岩城氏）です。
強化学習については以前から研究がなされていますが、単純な迷路探索などの問題だけでなく計算資源の発展を背景にして自動運転やロボット制御など現実的な課題に対して適用可能となってききており注目されています。 今回は強化学習の一分野である方策勾配法について，基礎的理論から最新の研究例までを大阪大学の岩城氏に紹介していただきます。
準備と前提知識
大学レベルの基礎数学

[後半] 理化学研究所 寺村 俊紀 氏
MCMC [基礎編] 仕組みを数学的理論と実装しながら学ぶ
MCMCとは、高次元のパラメータ空間から効率的にサンプリングするための手法です。
MCMCが注目されている理由は、従来のモンテカルロ手法では探査する空間の次元が大きくなるにつれ、
必要なサンプル数が指数的に増加し実現が困難でした。
MCMCではその点が解決しているので、ビックデータ応用が可能になっています。
複雑で高次元な状態空間から効率的にサンプリングできるため、応用分野が非常に広く、
産業界だけでなく、認知科学のような非常に多くの分野で既に応用されています。
理科学研究所の寺村氏より下記内容で実際にコードとともに教えていただきます。

• 確率分布と確率分布関数
• 古典的なサンプリング手法
• 棄却サンプリング
• Sampling-Importance-Resampling (SIR)
• MCMC基礎編
• メトロポリス・ヘイスティング法
• 発展的な手法（概略だけ）

準備と前提知識
- 線形代数の基礎（行列演算）
- Jupyter Notebook (Python)
- 可視化(matplotlib)

内容は変更される可能性があります。ご了承ください。
費用は会場費に当てさせてもらいます。 差額がでた場合は運営費に回します。

興味のある方はぜひ参加くださいませ！