ベイズ統計学では、事前分布と尤度からベイズの定理により事後分布を計算する。

事後分布に全ての不確実性が集約されることが特徴である。

尤度を決めるにはパラメータ所与のもとでのデータの従う確率モデルを特定する必要がある。

想定した確率モデルが誤っていれば、推測結果も（理論的には）妥当ではないためモデルフリーな推測方法があれば嬉しい。

本セミナーでは、標準的なベイズ統計学の枠組みを簡単に復習したのち、データとパラメータの関係を（確率モデルあるいは尤度関数ではなく）損失関数の形で表すことで、モデルフリーなベイズ推測を行うことが可能な一般化ベイズ法の考え方を解説する。

損失関数に基づく事後分布は一般化事後分布（あるいは、ギブス事後分布）と呼ばれるが、そこに含まれる学習率と呼ばれる調整パラメータの選択が重要になり、そのパラメータの役割についても紹介する。

また、ロバスト推定やバリューアットリスクの推定などの具体例において、ソフトウェアStanを使った簡単な実演も行う予定である。