【セミナー情報】12/3 18:00よりREVISIO株式会社の森下氏をお迎えしたセミナー「モデルの”予測力”と”説明力”を両立させる実践入門：機械学習を解釈する技術」を開催いたします！ 【申込ページ】 luma.com/0mocos9m 【概要】 本セミナーでは、機械学習モデルの「なぜこの予測が出たのか？」を理解するための技術である説明可能なAI（XAI）の主要なアプローチを、理論と実装の両面から体系的に学びます。 ​前半では、機械学習の発展とともに生じた「予測力と解釈性のトレードオフ」という課題を整理し、なぜモデルの判断根拠を説明することが重要なのかを解説します。そのうえで、線形回帰モデルの持つ解釈性を基礎として、ブラックボックスモデルの理解に向けた各種解釈手法の位置づけを確認します。 ​中盤では、実務において特に利用価値の高い5つの代表的手法 ― ​Permutation Feature Importance（PFI）：特徴量の重要度を定量化する手法 ​Partial Dependence（PD）：特徴量と予測値の平均的関係を可視化する手法 ​Individual Conditional Expectations（ICE）：インスタンスごとの関係を分析する手法 ​Accumulated Local Effects（ALE）：特徴量の相関に対処した手法 ​SHapley Additive exPlanations（SHAP）：予測の理由を特徴量ごとに分解する手法 ​を取り上げ、数式と一部コードを用いてその理論的背景と挙動を確認します。 ​後半では、これらの手法を線形回帰モデルに適用し、理論的な解釈との整合性を検証することで、各手法の適用範囲と限界を理解します。さらに、モデルのデバッグ、特徴量重要度の評価、ステークホルダーへの説明など、実務での活用シーンを具体的に整理します。