１．機械学習の解釈手法とは

　　（１）．なぜ機械学習の解釈手法が重要なのか

　　（２）．機械学習の解釈手法とは

　　（３）．この講義で用いる数式の記法

２．線形回帰モデルを用いた「解釈性」への理解

　　（１）．線形回帰モデルの導入

　　（２）．最小二乗法による回帰係数の推定

　　（３）．線形回帰モデルが備える重要な４つの解釈性

　　（４）．ブラックボックスモデルとしてのRandom Forest

　　（５）．線形回帰モデルの利点と注意点

３．手法１：特徴量の重要度を知る

　　（１）．モチベーションとPermutation Feature Importance（PFI）導入

　　（２）．Permutation Feature Importance

　　（３）．Leave One Covariate Out Feature Importance（LOCOFI）

　　（４）．Grouped Permutation Feature Importance（GPFI）

　　（５）．PFIを因果関係として解釈する際の注意点

　　（６）．PFIは訓練データとテストデータのどちらで予測精度を評価するべきか

　　（７）．PFI以外の特徴量重要度　～特徴量重要度を用いたモデルの軽量化

　　（８）．PFIの利点と注意点

４．手法２：特徴量と予測値の関係を知る

　　（１）．モチベーションとPartial Dependence（PD）の導入

　　（２）．PDのアルゴリズム：PDの具体例

　　（３）．PDを因果関係として解釈する際の注意点

　　（４）．PDがうまくいかない例①交互作用がある場合

　　（５）．PDがうまくいかない例②特徴量が強く相関する場合

　　（６）．PDの利点と注意点

５．手法３：インスタンスごとの異質性を捉える　　※インスタンス：１つ１つのデータの属性や特徴

　　（１）．モチベーションとIndividual Conditional Expectation（ICE）の導入

　　（２）．交互作用とPDの限界：ICEで交互作用を捉える

　　（３）．ICEの解釈と注意点

　　（４）．CPDで推定結果を安定させる

　　（５）．ICEの利点と注意点

６．手法４：特徴量の相関に対処する

　　（１）．特徴量の相関とPDの限界

　　（２）．Conditional Dependence（Marginal Plot）

　　（３）．Accumulated Local Effects（ALE）の導入

　　（４）．ALEの利点と注意点

７．手法５：予測の理由を考える

　　（１）．モチベーションとSHapley Additive exPlanations（SHAP）の導入

　　（２）．協力ゲーム理論とShapley値

　　（３）．Shapley値を機械学習へ応用

　　（４）．さまざまなSHAPの利用法

　　（５）．SHAPの利点と注意点

８．手法６：反実仮想を考える

　　（１）．モチベーションとCounterfactual Explanations（CE）の導入

　　（２）．シミュレーションでCEを確認

　　（３）．CEの利点と注意点

９．機械学習の各解釈手法を用いた線形回帰モデルの解釈の実践

　　（１）．Permutation Feature Importance

　　（２）．Partial Dependence

　　（３）．Individual Conditional Expectation

　　（４）．Accumulated Local Effects

　　（５）．SHapley Additive exPlanations

　　（６）．Counterfactual Explanations