- 開講元
- システム制御系
- 担当教員名
- 糸山 克寿
- 授業形態
- 講義
- メディア利用科目
- 曜日・時限(講義室)
- 金5-6(W641)
- クラス
- -
- 科目コード
- SCE.I352
- 単位数
- 1
- 開講年度
- 2021年度
- 開講クォーター
- 3Q
- シラバス更新日
- 2021年3月19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
本講義では機械学習におけるいくつかの基礎的な手法と、それらの数学的な導出、計算機上での実装について学ぶ。
到達目標
機械学習の基礎的な手法であるニューラルネットワークやクラスタリングについて学び、これらを導出するための数学的な基礎を身につけ、計算機上で実装・動作させられるようにする。
キーワード
機械学習，人工知能，ニューラルネットワーク，深層学習，パターン認識，クラスタリング
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) |
授業の進め方
講義と演習課題を中心に進めます。
授業計画・課題
| 授業計画 | 課題 | |
|---|---|---|
| 第1回 | 導入 | 機械学習に必要な数学の基礎 |
| 第2回 | 線形回帰 | 線形回帰モデルとその学習手法 |
| 第3回 | 分類 | ロジスティック回帰、サポートベクトルマシン |
| 第4回 | ニューラルネットワーク（基礎） | パーセプトロン、活性化関数、誤差逆伝搬法 |
| 第5回 | ニューラルネットワーク（応用） | 畳み込みニューラルネット (CNN)，再起型ニューラルネット (RNN) |
| 第6回 | クラスタリング | k-means，混合ガウスモデル (GMM) |
| 第7回 | 行列分解 | 主成分分析 (PCA)，独立成分分析 (ICA)，非負値行列因子分解 (NMF) |
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
特に用いない
参考書、講義資料等
参考書：パターン認識と機械学習（上・下） C. M. Bishop 丸善出版
成績評価の基準及び方法
機械学習に関する基礎的な項目とそれらの応用に関する理解度を評価する。演習（70％），期末レポート（30％）で成績を評価する。
関連する科目
- SCE.I204 ： 基礎情報処理及び演習（システム制御）
- SCE.I205 ： データ科学基礎
- LAS.M101 ： 微分積分学第一・演習
- LAS.M102 ： 線形代数学第一・演習
- SCE.M307 ： 画像センシング
履修の条件(知識・技能・履修済科目等)
線形代数および微分積分に関する基礎知識を有することが望ましい。
