１．予測精度を最大化するための機械学習の基礎理論

　　（１）．基本的な問題設定：汎化誤差・経験誤差から理解する予測の本質

　　（２）．SVMに学ぶ「よい分類」とは何か ― モデル設計の判断基準

　　（３）．予測性能を理論的に保証するための考え方

２．データと目的に応じた最適な学習設定の選び方

　　（１）．扱うデータ・目的・評価指標の整理と選択指針

　　（２）．高い信頼性が求められる場面での学習手法と活用事例

　　　　ａ．ランキング学習

　　　　ｂ．予測拒否オプション付き学習

　　　　ｃ．応用事例：署名照合、デザイン解析、医療画像解析

　　（３）．データが少ない・質が低い場合の学習手法と精度向上の工夫

　　　　ａ．半教師あり学習

　　　　ｂ．弱教師あり学習

　　　　ｃ．ノイズありデータ学習

　　　　d．応用分類事例：画像認識、医療データ解析

３．決定木・アンサンブル学習による予測精度向上

　　（１）．決定木：シンプルかつ解釈性の高いモデル

　　（２）．ランダムフォレスト：分散低減による安定した予測性能

　　（３）．ブースティング：弱い学習器を組み合わせて強い学習器を構築

　　（４）．応用事例

　　　　ａ．異種情報が混在するデータのラベル付け

　　　　ｂ．外れ値・ノイズ検出への応用

　　　　ｃ．事例：時系列の局所パターン解析、公平性を重視した学習など

４．ニューラルネットワークによる高精度予測の最新技術

　　（１）．ニューラルネットワークの仕組み

　　　　・なぜニューラルネットワークは高い性能を示すのか

　　（２）．予測精度を引き出すための実践的ノウハウ

　　　　ａ．まず何をするべきか？

　　　　ｂ．性能が出ないときの典型的な原因と対策

　　　　ｃ．近年注目される深層学習技術の紹介

５．最適な学習手法選択と精度改善を実現するための重要ポイント

　　（１）．各学習手法の特性比較 ― 予測精度・解釈性・実装負荷

　　（２）．目的から逆算する最適手法選択の考え方と事例

　　　　・「何を最小化／最大化したいのか？」から考える評価指標・評価尺度

　　（３）．実装・運用時に注意すべきこと　〜前処理から性能評価方法まで

　　（４）．手法の適用が うまくいったとき、うまくいかなかったとき、何をすべきか？

　　　　・精度だけではなく多様な観点から問題点を洗い出し