|
授業概要
|
|
|
近年、人工知能技術は多くの分野で注目を集めている。本講義では人工知能技術のひとつである機械学習に着目する。機械学習は、実世界のデータを数学・統計学に基づくモデルにより表現し、新たなデータに対する予測や判別、可視化などを行う手法である。本講義では、機械学習の基本的な枠組みと統計的機械学習の手法を説明し、活用事例を紹介する。
|
|
|
到達すべき
目標
|
|
(1) 機械学習の基本的な原理を理解する。
(2) 機械学習のいくつかの手法を理解する。
|
|
|
授業計画と
準備学習
|
|
授業では以下の内容を取り上げる
1. 機械学習概論
2. 多重回帰モデル・最適化（線形代数・微分積分の復習）
3. 機械学習のための Python 開発環境と基礎ライブラリの導入
（Jupyter Notebook、NumPy、Matplotlib）
4. 線形回帰分析
5. 最適化の計算過程と可視化
6. 最尤推定法
7. ベイズ推論
8. ロジスティック回帰
9. 線形判別分析
10. 汎化性能と過学習
11. サポートベクターマシン（基礎）
12. サポートベクターマシン（カーネル法）
13. 決定木とランダムフォレスト
14. 教師なし学習（K-means、主成分分析）
15. ニューラルネットワーク（基本構造と学習手法）
16. 試験（期末レポート提出）
本講義は、以下の知識を前提として行う。
線形代数、微分・積分、確率・統計、多変量解析
本講義は対面で行う予定である
|
|
|
|
授業実施方法
|
|
|
|
|
授業の特色
|
|
|
|
学生のアク
ティブ・ラー
ニングを
促す取組
|
|
|
|
|
使用言語
|
|
|
|
TA，SA等配置
予定
|
|
|
|
基盤的能力
専門的能力
|
|
|
|
授業時間外
の学習
|
|
講義内容をより理解するために復習が必要である。
時間外でも演習問題や課題に取り組む必要がある．
|
|
|
成績評価の
方法
|
|
|
小テスト、レポート課題などにより、総合的に判断する。
|
|
|
到達度評価
の観点
|
|
|
小テスト、レポート課題などにより、総合的に判断する。
|
|
|
|
テキスト
|
|
|
|
テキスト
(詳細)
|
|
|
|
|
参考文献
|
|
| |
|
No
|
書籍名
|
著者名
|
出版社
|
出版年
|
ISBN/ISSN
|
|
|
1.
|
『統計的機械学習（入門編）』
|
ケヴィン P. マーフィー(著)／持橋 大地・鈴木 大慈(監訳)
|
朝倉書店
|
2025/11/01
|
978-4-254-12303-6
|
|
|
2.
|
『多変量解析入門――線形から非線形へ』
|
小西貞則
|
岩波書店
|
2010/1/27
|
978-4000056533
|
|
|
3.
|
『ゼロからつくるPython機械学習プログラミング入門』
|
八谷大岳
|
講談社
|
2020/8/31
|
978-4065206126
|
|
|
4.
|
『機械学習スタートアップシリーズ ベイズ推論による機械学習入門』
|
須山 敦志 (著), 杉山 将 (監修)
|
講談社
|
2017/10/21
|
978-4061538320
|
|
|
|
参考文献
(詳細)
|
|
|
|
担当教員実
務経験内容
または実践
的教育内容
|
|
|
|
実践的授業
内容等
|
|
|
|
|
備考
|
|
|