|
【講演ポイント】
過去の時系列データ（例えば日々変動する気温のデータ）が手元にあるとき、ニューラルネットワークを学習することで、将来の予測を行うことができます。リザバーコンピューティング（ＲＣ）は数あるニューラルネットワークの中でも単純・高速かつ精度の良い方法として近年注目されています。
本講義はニューラルネットワークの基礎の解説からはじめ、ＲＣの仕組みを理解した上で実際にサンプルコードを動かして使えるようになることを目標としています。
ニューラルネットワークの書籍は多数ありますが、本講義の特徴の一つは「ＲＣのミニマルユーザーガイド」をお配りし、それをもとにＲＣの応用に必要な最低限のエッセンスをお伝えすることです。具体的な時系列予測問題（応用例）のデモンストレーションを通して、ＲＣの予測精度や他の類似手法との比較（強みと弱み）、最新の研究状況までを分かりやすく解説いたします。
【習得できる知識】
・リザバーコンピューティングの仕組みと特徴の理解
・Pythonプログラムを応用した時系列予測問題の解決
・ＲＣの予測精度や他の類似手法との比較（計算コストなどの強みと弱み）の理解
【プログラム】
１．はじめに
1-1 時系列予測のための機械学習
1-1-1 ＡＩ機械学習の基礎
1-1-2 教師あり学習
1-1-3 教師なし学習
1-1-4 強化学習
1-1-5 生成ＡＩ
1-2 最小二乗法でよくわかる教師あり学習
1-3 ニューラルネットワーク
1-4 リカレントニューラルネットワーク（ＲＮＮ）
２．リザバーコンピューティング（ＲＣ）
2-1 ＲＣミニマルユーザーガイドの解説
2-2 学習およびテストデータの準備について
2-3 ＲＣの学習と高精度予測
2-4 学習データ量の依存性
2-5 ＲＣの特徴と他のＲＮＮ手法との比較
３．非線形システム（カオス時系列）の学習と予測に関する最新研究
3-1 少量のデータを用いたRCの学習と予測（転移学習)
3-2 ＲＣの高精度予測に関する理論研究〜なぜＲＣはうまくいくのか〜（同期現象に基づく理論解明）
3-3 大自由系に対する低次元モデルの構成（オートエンコーダ）
【質疑応答】
|
