１．機械学習の概要

　　（１）．ビッグデータとディープデータ

　　　　ａ．次元の呪いと汎化能力

　　　　ｂ．線形回帰を例として（一番簡単な機械学習）

　　　　ｃ．汎化能力と高次元データ

　　（２）．データ解析の基本手順

　　　　ａ．データの身体化

　　　　ｂ．主成分分析とクラスタリング

　　　　ｃ．機械学習の基本手法

２．少数・高次元データの学習のための技術

　　（１）．スパースモデリングと正則化

　　　　ａ．正則化とスパースモデリング

　　　　ｂ．交差検証法

　　　　ｃ．いろいろな正則化の比較

　　（２）．圧縮センシングによる高解像度撮像

　　　　ａ．ブラックホールやＭＲＩの撮像技術

　　（３）．シミュレーションデータを活用したスパースモデリング

３．人間の知識をモデル化するための技術

　　（１）．ベイジアンネットを使ったモデル化法

　　　　ａ．確率モデリングによるモデル化

　　　　ｂ．ベイジアンネットワーク

　　　　ｃ．グラフィカルＬＡＳＳＯ

　　（２）．ベイズ推論のための計算アルゴリズム

　　　　ａ．確率伝播法

　　　　ｂ．変分ベイズ法

　　　　ｃ．マルコフ連鎖モンテカルロ法

　　（３）．データ同化と状態空間モデルによる時系列モデリング

　　　　ａ．カルマンフィルタとパーティクルフィルタ

４．結果の評価・可視化・説明

　　（１）．機械学習結果の評価法

　　（２）．信頼度付き機械学習

　　　　ａ．ガウス過程回帰

　　　　ｂ．選択的推論による仮設検定

　　（３）．ディープラーニングの結果の解釈と説明

　　　　ａ．感度分析

　　　　ｂ．敵対的学習

５．データ不足を補ういろいろな技術

　　（１）．異常検知のための技術

　　（２）．半教師あり学習とクラウドソーシング

　　　　ａ．欠損値補完

　　（３）．転移学習とマルチタスク学習

　　　　ａ．ディープラーニングにおける少数画像の学習

　　（４）．実験計画法による効率的なデータ取得法

　　　　ａ．アクティブラーニング

　　　　ｂ．ベイズ最適化

　　　　ｃ．マルコフ連鎖モンテカルロ法による最適化