- 開講元
- 機械系
- 担当教員名
- 三浦 智
- 授業形態
- 講義 / 演習 (対面型)
- メディア利用科目
- 曜日・時限(講義室)
- -
- クラス
- -
- 科目コード
- MEC.B221
- 単位数
- 2
- 開講年度
- 2024年度
- 開講クォーター
- 3Q
- シラバス更新日
- 2024年3月14日
- 講義資料更新日
- -
- 使用言語
- 日本語
- アクセスランキング
-
media
講義の概要とねらい
この講義では、データのバラツキに対し、確率分布モデルなどを学習し統計の基礎的処理を学ぶとともに、最適化計算や機械学習を用いたデータ処理の手法を、理論的かつ実践的に学ぶことを目的としています。
到達目標
本講義では以下を到達目標とします。
・データのバラツキに対する基本的な統計処理を理解および説明し、実践することができる。
・基本的な最適化計算を理解および説明し、実践することができる。
・基本的な機械学習を理解および説明し、実践することができる。
キーワード
機械学習、AI、統計、確率、ばらつき、データサイエンス、深層学習、最適化
学生が身につける力(ディグリー・ポリシー)
| ✔ 専門力 | 教養力 | コミュニケーション力 | ✔ 展開力(探究力又は設定力) | 展開力(実践力又は解決力) |
| ✔ 6. 機械工学の発展的専門学力， 7. 専門知識を活用して新たな課題解決と創造的提案を行う能力 | ||||
授業の進め方
本授業では、講義後に各自のPCでインターネットを繋ぎ、プログラミングによる実践を行います。各回の講義を予習・復習してください。
授業計画・課題
| 授業計画 | 課題 | |
|---|---|---|
| 第1回 | はじめに、データサイエンスの歴史、有用性 | 母集団と標本空間、ベイズの定理など |
| 第2回 | データのバラツキ | 確率分布関数、中心極限定理、相関係数 |
| 第3回 | バラツキの解釈 | 確率分布、平均・分散、中心極限定理 |
| 第4回 | 代表的なデータと様々な確率分布 | 二項・ポアソン・正規分布 |
| 第5回 | 統計的検定手法 | 母平均の比較、有意差、p値、信頼区間 |
| 第6回 | データに基づく推定法 | 最尤推定法、情報量基準・モデル選択理論など |
| 第7回 | データモデリング | 一般化線形モデル、線形回帰、ロジスティック回帰など |
| 第8回 | 最適化データ可視化手法 | 次元圧縮、主成分分析、MDS、その他多様体学習 |
| 第9回 | クラスタリング手法 | 階層的・群平均など、非階層的・k-meansなど |
| 第10回 | ロバスト推定手法 | 最小二乗、M推定、乱数を用いたロバスト推定など |
| 第11回 | 機械学習を用いた発展的モデリング① | 非線形モデル、ベイジアンネットワークなど最近・アドバンスドなトピックから |
| 第12回 | 機械学習を用いた発展的モデリング② | 非線形モデル、ニューラルネットワークなど最近・アドバンスドなトピックから |
| 第13回 | データサイエンスを意識した研究デザインなど | DNN, CNN, RNN, GAN, 転移学習 |
| 第14回 | 期末レポート | 期末課題 |
| 第15回 | - |
授業時間外学修（予習・復習等）
学修効果を上げるため，教科書や配布資料等の該当箇所を参照し，「毎授業」授業内容に関する 予習と復習（課題含む）をそれぞれ概ね100分を目安に行うこと。
教科書
必要に応じて資料を配布。
参考書、講義資料等
特になし。
成績評価の基準及び方法
毎回のレポートによる提出物で評価する。
関連する科目
- MEC.B231 ： 確率・統計
- MEC.B232 ： 基礎数値計算法
- MEC.B201 ： 情報数理基礎
履修の条件(知識・技能・履修済科目等)
この科目は
旧MEC.B231.L「確率・統計」および，旧MEC.B232.L「基礎数値計算法」
の読み替え科目です．
・ 「確率・統計」「基礎数値計算法」両方の単位を修得済みの場合はこの科目を履修できません．
2023年3月31日以前に入学した学生(～22B)がこの科目の単位を修得した場合は
・ どちらか一方の単位を修得済みの場合はL(選択)1単位，標準課程外1単位
・ 両方の単位を未修得の場合はL(選択)2単位
で単位換算されます．
その他
MEC.B201 ： 情報数理基礎を履修していること、またはこれと同等の知識を有することが望ましい。
