１．導入
　1.1 機械学習によるデータ駆動型アプローチ
　　（能動学習、適応的実験計画という考え方について）
　1.2 ブラックボックス関数の最適化問題とベイズ最適化・レベル集合推定

２．ベイズモデルによる機械学習と回帰のための適応的実験計画
　2.1 ベイズ線形回帰
　2.2 ガウス過程回帰
　2.3 ガウス過程回帰に基づく関数推定のための適応的実験計画

３．ベイズ最適化の方法論
　3.1 ベイズ最適化の基本アルゴリズム
　3.2 様々な獲得関数に基づくベイズ最適化

４．能動的レベル集合推定の方法論
　4.1 レベル集合推定問題の定式化とアルゴリズム
　4.2 能動的レベル集合推定のための獲得関数

５．より複雑な問題に対するベイズ最適化
　5.1 制約付き最適化のためのベイズ最適化
　5.2 コスト考慮型のベイズ最適化
　5.3 多目的最適化のためのベイズ最適化
　5.4 複数条件を同時に観測できる問題のためのベイズ最適化
　5.5 高次元な入力空間上のベイズ最適化
　5.6 外部データを利用したベイズ最適化：転移学習との融合

６．応用事例紹介
　6.1 機械学習モデルのハイパーパラメータ最適化
　6.2 レベル集合推定による太陽電池用シリコンインゴットの低品質領域の推定
　6.3 Siエピタキシャル成長プロセス条件の最適化
　6.4 抗がん剤第I相臨床試験における最大耐用量の推定
　6.5 がん剤第I/II相臨床試験における毒性と有効性を考慮した許容用量集合の推定

７．ベイズ最適化の実行
　7.1 Pythonによるベイズ最適化の実装方法の紹介
　7.2 回帰のための能動学習、ベイズ最適化、能動的レベル集合推定のデモ紹介
　（google colaboratoryにアクセス可能な方はハンズオン）

□　質疑応答　□