|
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. 演習(1) ― Python開発環境、NumPy、SciPyの基礎
4. 線形回帰分析
5. 最尤推定法
6. ベイズ推定法
7. ロジスティック回帰
8. 線形分類器の学習
9. 汎化性能と過学習
10. サポートベクターマシン（SVM）とカーネル法
11. 決定木による学習
12. 教師なし学習
13. ニューラルネットワーク(1) ― 基本構造と学習手法
14. ニューラルネットワーク(2) ― 畳み込みニューラルネットワーク（CNN）の応用と発展
15. 演習(2) ― TensorFlowの使い方
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.
|
『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
|
|
|
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
|
|
|
|
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
|
|
|