知的情報処理の最前線

※日程が変更になりました。（10/7更新）
11月24日（木）→11月18日（金）

～スパースモデリングと深層学習、そして、計算技術の革命～

１．機械学習って何？
　1.1　データから学ぶ（回帰の基本）
　実験をして、その結果から法則を得る。そうだグラフを書いてみよう。このグラフは何関数？自動的に答えることができたら、どんなに便利だろう。明日の天気を決める法則もそのグラフからわからないだろうか？回帰の基本的な概念の導入をします。
　1.2　陣地を決める（識別の基本）
　犬と猫の境目はなんだろうか？似ているけど違う、その違いはどこにあるだろうか？それを調べることで動物の識別、特定の疾病が発症しているかどうかを予測する識別のお話をします。
　1.3　理解するとはなんだろうか（人間と機械の知能の違い）
　機械が自動的になんでも判別することができるようになると、厳しい人たちは口をそろえてこう言います。「機械に本当のことはわかっているのか？」少し考えてみましょう。人間と機械の付き合い方を考える時間です。

２．深層学習って何？
　2.1　より複雑なものを学ぶには？
　やりたいことが複雑になればなるほど、その方法は難しくなる？いいえ、掛け算も割り算もなんとか関数も基本は足し算と引き算だったように、単純なものを繰り返して複雑なタスクが実行できます。そうしてできたのが深層学習です。
　2.2　なぜ今までできなかった？
　そんな複雑そうで単純な深層学習、なぜ今頃大ブレークしているのか？
実は幾つかの理由がありました。では今は実現できるのはなぜか、その秘密を教えちゃいましょう。
　2.3　実はとっても簡単！深層学習実装編
　機械学習のライブラリは揃っているので、帰ったらすぐみなさんも深層学習ユーザーに。そこから新しいことを始めようというきっかけにしましょう。

３．スパースモデリング
　3.1　深層学習で人は賢くなれるのか？
　さて深層学習で、なんでも自動的に予測をしてくれるようになったとして、その予測に関わっている重要な要因となっていたものは結局なんだったのでしょうか。それがわからずして、我々は納得できるでしょうか？
本当に知りたいのは、そこじゃないでしょうか？それに答えるためのスパースモデリングという新技術について紹介します。
　3.2　そのデータの本当に重要な要素は何か？
　どんなに複雑なデータであっても、実は本質的に重要な部分は数少ないんじゃないか？そこを抽出しさえすれば、そのデータを取り巻く現象を理解したと言えるのではないか？物事を理解しやすい形に整形してくれる技術、それがスパースモデリングです。
　3.3　圧縮センシングによる計測革命
　データ解析に使えるだけじゃないスパースモデリングのもう一つの側面について紹介しましょう。せっかく撮ったデータ、ちょっと解析するには少なすぎたかな？何が結局得られたかわからないようなデータ。そんなデータを復活させることができるなんて言われたらどうですか？データが示す本質的な部分を抽出することによって、少ないデータであっても十分に解析しうるクオリティまで復元することができる。そんな技術を使って、計測機器の革命を起こしましょう。見えないものが見える世界へようこそ。

４．データ駆動型科学から社会へ
　4.1　データ駆動型科学の発展
　機械学習やスパースモデリングの技術により、人間はデータから新しい知見を見出すことが容易になりつつあります。多くの計測データから未発見の現象や物質を発見することでデータ駆動型の科学が始まっています。
　4.2　最適化問題が世界を変えるデータ駆動型社会
　その機械学習やスパースモデリングもどちらも「データにあった最も優れた組み合わせや数値をはじき出してくれ」と最適化問題という共通した問題意識から発展しました。これからはセンサーの小型化により、大量に計測したデータから社会インフラから全てが、人間の活動に有利なように最適で快適な方向へと誘導してくれるでしょう。そのとき必要な問題意識は、やはり最適化問題です。
　4.3　新しい計算パラダイム、量子アニーリング
　その最適化問題を解くことがこれからの社会を作っていく基本技術であるとしたら、その最適化問題を高速に精度よく解く専用のマシンがあると良いことに気づきます。世界はすでにその方向に動いています。それが量子アニーリングと呼ばれる計算技術です。日本人が開発した新技術について最後少し触れることにしましょう。