データの大規模化・複雑化に伴い探索的なデータ解析の重要性が増している．得られたデータから探索的に意味のある情報を抜き出すために用いられるのが教師なし学習である．本講義では，機械学習の中でも次元縮約・可視化，クラスタリング法を中心に教師なし学習について解説する．次元縮約・可視化の方法としては，基本的な主成分分析や多次元尺度構成法からはじめ，isomap，t-SNEなどの発展的な次元縮約・可視化の方法についても紹介する．また，教師なし分類の方法であるクラスタリング法に関しては，最も基本的な階層的クラスタリング法やk-means法からはじめ，より複雑なクラスタ構造を捉えることが可能なspectral clusteringなどの方法について解説する．

多くの分野でデータを活用して科学技術を発展させるデータ駆動型アプローチが有望視されている．機械学習などのデータ分析によって得られる仮説（データ駆動型仮説）は，専門家の知識に基づく仮説（知識駆動型仮説）とは異なり，新たな発見につながる可能性がある．一方，前者はデータから選択された仮説であるため，統計的推論を行う際には選択バイアスを適切に除去しなくてはならない．本講義では，データ駆動型仮説のバイアスを補正するための新たなアプローチである「Selective Inference」とよばれる枠組を用いて，機械学習によって得られた知識の品質保証を行う方法を実例を踏まえて学ぶ．

因果関係を調べることは，多くの実質科学の主目的の一つである. 統計的因果推論とは因果関係についてデータから推測する方法論である．統計的因果推論に関する基本的な概念と方法を学ぶ．まず，因果推論のフレームワークとして構造的因果モデルに触れる．その後，因果の大きさの推定や因果方向などの因果構造を推測する方法について学ぶ．後者は因果構造学習と呼ばれ，機械学習の分野において注目を集めているトピックの１つである．本担当コマでは特に，後者の因果構造の推測に焦点を合わせた構成とする．

ガウス過程は, これまでは数学以外では空間統計や信号処理といった特定の分野でのみ扱われてきたが, 柔軟なベイズ的回帰モデルとして, あるいは連続な関数すなわち軌跡を生成することのできる統計モデルとして, 広く有用な確率過程である. 本講義では, 統計の立場からガウス過程の基礎を導入し, その性質および回帰モデルとしての推定法, および応用について述べる. さらに, ガウス過程を用いて回帰ではなく教師なし学習を行うことのできるガウス過程潜在変数モデルについて解説し, その適用についても触れることで, 適用範囲の広さを示したい.

本講義では，統計的学習理論および機械学習の最適化理論の基本から応用まで，特に深層学習に関する理論を重点的に解説する．機械学習手法の「良さ」を理解するうえで，統計的学習理論は強力な道具となりうる．その理論的理解を通して，各種手法の最適性といった評価を行い，その理論的知見からまた新しい手法の構築に役立てることができる．学習理論はその最適化手法と不可分の関係にあり，それらを同時に考えることは重要である．特に，扱う学習手法として深層学習はその応用範囲の広範さから重要であるが，その理論的理解に関してはまだ未解明な部分が多い．本講義では，学習理論の基礎から始まり，深層学習の汎化誤差解析や最適化理論に関する最近の結果も扱う．