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。
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。
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
✔ 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) |
講義と演習課題を中心に進めます。
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 | 線型モデル(回帰) | 線形回帰モデルとその学習手法 |
第3回 | 線型モデル(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) |
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。
特に用いない
参考書:パターン認識と機械学習(上・下) C. M. Bishop 丸善出版
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%),期末試験(30%)で成績を評価する。
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。