ベイズ統計学シリーズ
シリーズ概要
「ベイズ統計シリーズ2026」では、変分推論、MCMC、逐次モンテカルロ、Normalising Flowsなど、ベイズ統計・確率的機械学習を支える計算手法を、古典的な基礎から近年の発展まで体系的に学びます。各手法の理論や実装だけでなく、適切な使い分け、結果の診断、実務で安心して活用するための注意点まで扱うことで、既存ライブラリを利用した分析から研究レベルの実装までを見通せる知識を身につけます。第一線で活躍する講師陣から、個々の手法を断片的に学ぶだけでは得にくい、ベイズ計算の全体像と実践力をまとめて習得できる講義シリーズです。
このような方におすすめ
研究者・大学院生：ベイズ統計で用いられる主要な計算手法を横断的に学び、自身の研究課題に導入・応用するための知識を身につけたい方
データサイエンティスト：ベイズ計算への理解を深め、実務上の目的や条件に応じて手法を適切に使い分け、その選択を説明し、必要に応じて実装をカスタマイズできるようになりたい方
前提知識と難易度
学部レベルの統計学、確率論、線形代数、微積分の知識を前提とします。
ベイズ統計について、事前分布・尤度・事後分布などの基本的な知識を前提とします。
Pythonの事前知識は必要ありません。演習には、受講者に共有するJupyter Notebookを使用します。
確率的変分推論（SVI）の回は、変分推論（VI）の内容を前提とします。SVIを受講する方には、先にVIの回を受講することをおすすめします。
その他の回は、基本的に単独で受講できます。全5回を通して受講すると、各手法の関係や使い分けについて、より体系的に理解できます。
講義形式・提供内容
講義フォーマット：各回120分（90分の解説 + 30分の演習 ※ コンテンツの性質上、講義によって配分が異なる場合がございます。）
受講者に共有するもの： 講義資料（PDF）、演習資料（Jupyter Notebook）、録画（見逃し配信）
質問方法： 講義中にZoom WebinarのQ&A機能から質問できます。
サポート範囲： 個別のコードに関する相談は含まれません。
チケットに含まれるもの
現在販売するチケット1枚で、全5回の講義を受講できます。購入時点で開催前の回にはライブで参加でき、終了済みの回は配信期間内の録画を視聴できます。
全5回分の講義資料（PDF）、演習資料（Jupyter Notebook）、録画（見逃し配信）が含まれます。
シリーズ途中から購入した場合も、配信期間内であれば、購入前に終了した回を含む全回の見逃し配信を視聴できます。
各回を個別に受講できる単発チケットは、後日販売する予定です。
資料・見逃し配信
各講義の終了後に、講義資料（PDF）、演習資料（Jupyter Notebook）、Zoom録画の視聴URLを共有します。
録画には、解説、演習、質疑応答を含む講義全体が収録されます。
録画はストリーミングのみで視聴できます。ダウンロードはできません。
録画の視聴期間は、各回の開催日から6ヶ月間です。
講義資料（PDF）と演習資料（Jupyter Notebook）はダウンロードでき、ダウンロード期限はありません。
LIVE日程
2026年9月3日（木）19:00–21:00（日本時間） 変分推論 Variational Inference
2026年9月14日（月）19:00–21:00（日本時間） 確率的変分推論 Stochastic Variational Inference
2026年9月25日（金）19:00–21:00（日本時間） マルコフ連鎖モンテカルロ法 Markov Chain Monte Carlo
2026年10月7日（水）19:00–21:00（日本時間） 逐次モンテカルロ法 Sequential Monte Carlo
2026年10月14日（水）19:00–21:00（日本時間） Normalising Flows
詳細概要
変分推論 Variational Inference
講師：中川 智之
本講義では、ベイズ統計において解析的な計算が困難な事後分布を近似する方法として、変分推論（Variational Inference; VI）の基本的な考え方を120分（講義90分 + 演習30分）で体系的に学ぶ。
変分推論は、事後分布から標本を生成するマルコフ連鎖モンテカルロ法（Markov Chain Monte Carlo; MCMC）とは異なり、あらかじめ定めた分布族の中から事後分布に近い分布を最適化によって求める方法である。
前半では、潜在変数モデルにおいて事後分布の計算が困難になる理由を確認したうえで、Kullback–Leibler（KL）ダイバージェンスの最小化とエビデンス下限（Evidence Lower Bound; ELBO）の最大化との関係を整理する。さらに、平均場近似が事後分布の共分散構造をどのように単純化するのかを説明し、座標上昇変分推論（Coordinate Ascent Variational Inference; CAVI）の更新式が導かれる仕組みを、直感と数式の両面から解説する。
後半では、ベイズ混合ガウスモデルを例に、近似分布の設定、変分パラメータの更新、ELBOを用いた収束の確認まで、変分推論を適用する一連の流れを具体的に示す。あわせて、条件付き共役な指数型分布族における更新則の共通構造を整理し、さまざまなベイズモデルへ応用する際の見通しを与える。最後に、MCMCとの違いと使い分け、局所最適解や初期値への依存、近似分布族による表現上の制約、事後分散を過小評価しやすい傾向など、変分推論を実際に利用するうえで重要な診断と限界を取り上げる。
本講義を通じて、変分推論が「何を近似し、何を最適化しているのか」を理解し、モデルや目的に応じて適用可能性を判断するための基礎を身につける。
確率的変分推論 Stochastic Variational Inference
講師：中川 智之
本講義では、大規模データに対するベイズ推論を可能にする確率的変分推論（Stochastic Variational Inference; SVI）の考え方と実装を体系的に学ぶ。
通常の変分推論では、変分パラメータを更新するたびにデータ全体を処理する必要があり、データ数の増加に伴って1回の更新に要する計算量も大きくなる。SVIは、データの一部を無作為に抽出して得られる勾配情報を用い、エビデンス下限（Evidence Lower Bound; ELBO）を確率的に最適化することで、この計算上の制約に対処する方法である。
前半では、Hoffmanら（2013）に沿って、各観測に対応する局所潜在変数と、データ全体で共有される大域潜在変数を区別し、条件付き共役な指数型分布族における平均場変分推論の構造を整理する。そのうえで、座標上昇変分推論と自然勾配との関係を確認し、ミニバッチから大域変分パラメータの更新方向を推定する仕組みを導出する。さらに、学習率が果たす役割と収束のための条件を説明し、ミニバッチサイズ、学習率スケジュール、初期値、局所変分パラメータの更新精度が、計算の安定性と収束速度に与える影響を取り上げる。
後半では、PythonとNumPyroを用いた演習を通じて、確率モデルと近似分布を定義し、ミニバッチを利用してSVIを実行する一連の流れを確認する。最後に、SVIは大規模データに対する計算を効率化できる一方、近似分布族による表現上の制約、局所最適解や初期値への依存、確率勾配の分散、事後分布の不確実性を過小評価し得る点などに注意が必要であることを整理する。
マルコフ連鎖モンテカルロ法 Markov Chain Monte Carlo
講師：菅澤 翔之助
本講義では、Stan、PyMC、NumPyroなどのソフトウェアによって高度なマルコフ連鎖モンテカルロ法（Markov Chain Monte Carlo; MCMC）を容易に利用できる現在、何を自動化に任せられ、どのような場合にモデルやサンプリング手法の調整が必要になるのかを120分で体系的に学ぶ。
ギブスサンプリングやMetropolis–Hastings（MH）法を一から繰り返し実装することではなく、汎用的なMCMCを適切に使い、その挙動を診断し、既存のソフトウェアでは対応できない問題に対して必要な計算方法を判断するための考え方を身につけることを目的とする。
前半では、Hamiltonian Monte Carlo（HMC）とNo-U-Turn Sampler（NUTS）の仕組みを概観し、これらの手法が有効に機能するための条件を説明する。R-hat、有効サンプルサイズ、トレース、発散などの診断結果から問題の兆候を読み取り、まず再パラメータ化によって事後分布の形状を改善し、離散潜在変数を含む場合には可能であれば周辺化し、それでも既存の枠組みでは対応できない場合に独自のMCMCを検討する、という順序で対応策を整理する。自動化されたNUTSが担う事項と、モデル作成者が判断しなければならない事項との境界を明確にする。
後半では、Stanが直接サンプリングできない離散潜在変数を含むケースの具体例として、有限混合モデルを取り上げる。Stanでは成分への割り当てを表す離散潜在変数をパラメータとして直接扱うことはできない。そこで、周辺化によってStanを利用できる場合と、周辺化が困難または計算上現実的でなく、離散変数の更新を含む独自のMCMCが必要になる場合を区別する。さらに、ラベルスイッチングによる事後分布の多峰性、成分の重なりや識別の弱さがサンプリングと事後要約に与える影響を確認する。この事例を通じて、Stanに任せられる範囲と対応できない範囲を見極め、問題に応じた計算方法を選択するための実践的な視点を身につける。
逐次モンテカルロ法 Sequential Monte Carlo
講師：入江 薫
本講義では、時間とともに観測データが追加される状況で、観測できない状態や未知の量を逐次的に推定するための逐次モンテカルロ法（Sequential Monte Carlo; SMC）を120分で体系的に学ぶ。SMCは、多数の「粒子」とその重みによって複雑な確率分布を近似し、新しい情報が得られるたびに近似を更新する計算手法である。状態空間モデルに適用する場合は粒子フィルタ（Particle Filter; PF）とも呼ばれ、ロボットや自動車の位置推定、金融時系列の変動性推定、感染症の流行状況の把握など、時々刻々と変化する状態を捉える場面で利用されている。
前半では、潜在変数と観測変数からなる逐次モデルの考え方を導入したうえで、SMCの基礎となる重要度サンプリングと自己正規化重要度サンプリングを復習する。続いて、過去の粒子を再利用しながら推定を更新する逐次重要度サンプリング（Sequential Importance Sampling; SIS）を導出し、ターゲット分布と提案分布の関係、重みの再帰的な更新、正規化定数の推定について説明する。さらに、時間の経過とともに一部の粒子へ重みが集中する「重みの縮退」を取り上げ、有効サンプルサイズ（Effective Sample Size; ESS）を用いてその程度を評価する方法を学ぶ。
後半では、SISにリサンプリングを組み込むことで重みの縮退を緩和するSMCの仕組みを、粒子の選択、伝播、重み付けという一連の手順に沿って整理する。提案分布の選択が近似精度に与える影響や、リサンプリングが粒子の多様性にもたらす利点と代償についても解説する。実例としてナイル川の流量データに局所レベルモデルを適用し、解析的な推定が可能なカルマンフィルタを基準として、SISとSMCの推定結果を比較する。この例を通じて、粒子と重みが時間とともにどのように変化するのか、またリサンプリングが推定の安定性をどのように改善するのかを具体的に理解する。本講義を通じて、SMCが解いている推論問題とアルゴリズムの基本構造を理解し、適用時に確認すべき点を判断するための基礎を身につける。
Normalising Flows
講師：清原 直樹
本講義では、単純な確率分布を可逆な変換によって複雑な分布へ写すNormalizing Flow（正規化フロー、NF）の基本的な考え方を、120分（講義90分＋演習30分）で学ぶ。Normalizing Flowは、柔軟な分布を表現しながら、サンプルの生成と確率密度の計算を両立できることを特徴とする。
前半では、変分推論の基本を簡単に振り返り、平均場近似やGaussian近似では、変数間の複雑な関係を十分に表現できない場合があることを説明する。図や2次元の例を用いて、分布を変形する直感から変数変換公式とJacobian determinantを導入し、前回と同じELBOを使いながら、Normalizing Flowによって柔軟な変分事後分布を構成する方法を解説する。
後半では、coupling型とautoregressive型を中心に、Normalizing Flowの設計と計算上のトレードオフを解説する。さらに、GlowやTARFlowによる生成モデルへの応用を紹介し、Continuous Normalizing Flow、Flow Matching、拡散モデルの関係にも概念的に触れる。最後に、Normalizing Flowの利点と限界を整理する。
演習では、実際の応用を意識したベイズ推論問題を題材に、Gaussian変分推論とNormalizing Flowを用いた変分推論を比較する。近似分布の表現力の違いが、推論結果や不確実性の評価にどのような影響を与えるかを実践的に確認する。
本講義を通じて、Normalizing Flowの基本原理を理解し、ベイズ推論と生成モデルにおいてどのように利用されるのかを判断するための基礎を身につける。
講師紹介
中川 智之 Nakagawa Tomoyuki
明星大学データサイエンス学環・准教授
広島大学理学部数学科を卒業後、同大学大学院理学研究科数学専攻博士課程を修了し、博士（理学）を取得。東京理科大学理工学部情報科学科助教・講師を経て、2023年より明星大学データサイエンス学環准教授。専門は数理統計学、データ科学で、多変量解析、高次元統計、ロバスト統計、ベイズ統計を研究している。特にダイバージェンスを用いた一般化ベイズ法を通じ、外れ値やモデルの誤特定に対して頑健な推論法と計算手法の開発に取り組むほか、海洋・スポーツ・医療データへの応用も進めている。共著に『よくわかる！Rで身につく 統計学入門』がある。
菅澤 翔之助 Sugasawa Shonosuke
慶應義塾大学経済学部・教授
慶應義塾大学理工学部数理科学科を卒業後、東京大学大学院経済学研究科にて修士（経済学）、博士（経済学）を取得。東京大学空間情報科学研究センター講師・准教授、慶應義塾大学経済学部准教授を経て、2026年より同学部教授。専門は統計科学、ベイズ統計学、時空間統計学。ベイズモデリングを軸に、因果推論、空間・時系列データ、混合効果モデル、小地域推定などの方法論と、経済学・医学・公衆衛生・環境学への応用に取り組んでいる。日本統計学会小川研究奨励賞、日本計量生物学会奨励賞を受賞。著書に『Mixed-Effects Models and Small Area Estimation』、共訳書に『標準 ベイズ統計学』『ベイズデータ解析 第3版』がある。
入江 薫 Irie Kaoru
東京大学大学院経済学研究科・准教授
東京大学経済学部を卒業後、デューク大学統計科学学部博士課程を修了し、Ph.D.を取得。2016年に東京大学経済学部講師、2022年に同准教授に就任。専門はベイズ統計学で、特に応用の観点から、ベイズ分析におけるモデリング、計算、意思決定の方法を研究している。2022年に日本統計学会小川賞を受賞。共訳書に『標準ベイズ統計学』がある。
清原 直樹 Kiyohara Naoki
Imperial College London・博士課程
東京理科大学で物理学の学士号、東京大学で物質科学の修士号を取得。キヤノン株式会社に入社後、医療システムや半導体製造装置を対象とした機械学習および流体・構造解析の研究開発に従事。2023年より同社の海外留学制度を利用し、Imperial College LondonのDepartment of Computingにて博士課程に在籍している。現在は、深層学習とベイズ的手法の交差領域を中心に、深層時系列モデル、状態空間モデル、ガウス過程、確率微分方程式、Normalising Flows、不確実性定量化などを研究している。NeurIPS 2025では、2本の論文を発表した。
法人団体割引
法人団体様より3名以上お申込みいただける場合、こちらのフォームからお申込みいただければ、お一人様当たり20％OFFさせていただきます。ぜひこちらからお申し込みください。[法人申込用フォーム]
領収書発行
領収書を希望の方は、下記よりお問い合わせください。なお、学割利用の方への領収書発行はいたしかねますので、予めご了承ください。[領収書発行フォーム]
受講証書発行
弊社の講座では、福利厚生の申請等にご利用いただける受講証明書の発行を承っております。柔軟なカスタマイズも可能ですので、ご希望の際はお気軽に申請フォームよりお問い合わせください。[受講証申請フォーム]
キャンセル・返金
2026年9月3日（木）までにキャンセルのご連絡をいただいた場合は、受講料を全額返金します。2026年9月4日（金）以降のキャンセルについては、返金いたしかねます。
ライブ講義を欠席・遅刻した場合も、講義資料、演習資料、録画を共有します。欠席・遅刻を理由とする返金はいたしかねます。
誤購入または重複購入の場合は、弊社コンタクトフォームよりご相談ください。内容を確認のうえ、返金について個別に対応します。
注意事項
本シリーズのセミナーはZoom Webinarsを用いて開催いたします。
お申し込み後、弊社よりセミナーへのZoom参加用URLを開催当日までに送付いたします。
開催時間になりましたら、送付するURLよりご参加ください。
お申し込みいただいた方には、講義資料（PDF）、演習資料（Jupyter Notebook）、録画（見逃し配信）を共有いたします。
お申し込み後、諸事情によりリアルタイムでのご参加が難しくなってしまった方にも、上記の資料および録画を共有いたします。
見逃し配信の配信期間は、各回の開催日から6ヶ月間です。
万が一、開催時間になっても事前案内メール（Zoomの参加URLや講義資料など）が届かない場合は、迷惑メールフォルダやゴミ箱に自動的に振り分けられている場合がございます。一度ご確認いただきますようお願い申し上げます。
参加URLはメールにてご案内いたします。https://no-spare.comドメインより受け取ることができるように設定をお願い申し上げます。
お問い合わせの際は、弊社コンタクトフォームよりお願い申し上げます。
禁止事項
録音や録画撮影などはご遠慮ください。
配布した一切の資料 / 動画を無断で公開、転載することは固く禁じます。
開催内容の変更・中止、返金および免責について
講師の都合、疾病・事故、天災地変、感染症の拡大、通信・配信サービスの障害、法令または行政機関の要請その他やむを得ない事情により、セミナーの内容、講師、開催日時または開催方法を変更し、延期し、または一部もしくは全部を中止する場合があります。
シリーズ全体を中止し、代替日程を設けない場合は、お支払いいただいたシリーズ全体の受講料を全額返金します。延期により代替日程への参加が困難な場合、または講師の変更その他セミナーの内容に重大な変更が生じた場合は、当社がご案内する方法によりお申し出いただくことで、受講料を全額返金します。シリーズ中のセミナーの一部を中止し、代替となる講義等を提供しない場合は、提供されなかった部分に相当する受講料を返金します。
セミナーの変更、延期または中止に関して当社が責任を負う場合であっても、当社の故意または重大な過失による場合を除き、その責任は、お支払いいただいたセミナーの受講料の額を上限とします。当社は、当社の故意または重大な過失による場合を除き、交通費、宿泊費、通信費、機器費、キャンセル料、事業機会の喪失、逸失利益その他の間接損害、特別損害または結果的損害について責任を負いません。
変更、延期または中止が決定した場合は、本イベントページ、電子メールその他当社が適切と判断する方法によりお知らせします。ただし、緊急または不可避の事情により、事前にお知らせできない場合があります。
お申込みの際は、当社からの電子メールを受信できるよう、受信設定をご確認ください。申込者側の受信設定、登録メールアドレスの誤り、通信環境その他申込者側の事情により通知を受信できなかったことから生じる不利益について、当社は責任を負いません。
なお、本項は、消費者契約法その他の法令により制限または免除することのできない当社の責任を制限するものではありません。