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。
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。
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
✔ 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 |
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 | |
---|---|---|
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 | - |
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。
必要に応じて資料を配布。
特になし。
毎回のレポートによる提出物で評価する。
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.
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。