2019年度 機械学習   Machine Learning

文字サイズ 

アップデートお知らせメールへ登録 お気に入り講義リストに追加
開講元
知能情報コース
担当教員名
岡崎 直観  下坂 正倫 
授業形態
講義
曜日・時限(講義室)
火3-4(H101,J232)  金3-4(H101,J232)  
クラス
-
科目コード
ART.T458
単位数
2
開講年度
2019年度
開講クォーター
2Q
シラバス更新日
2019年3月19日
講義資料更新日
-
使用言語
英語
アクセスランキング

講義の概要とねらい

本講義では、機械学習および深層学習における基本的な概念について述べる。

到達目標

【到達目標】
・識別的機械学習の基本的な概念(分類や凸最適化など)や手法(確率的勾配降下法や誤差逆伝搬法など)を理解する
・ツールやプログラムを用いて機械学習を実践する
【テーマ】本講義の前半では.線形モデルを題材に最適化の基本的な考え方を習得する.後半では,深層学習の基礎と実践について理解する.

キーワード

機械学習・回帰・分類・最適化・線形モデル・ニューラルネット・深層学習

学生が身につける力

国際的教養力 コミュニケーション力 専門力 課題設定力 実践力または解決力
- - - -

授業の進め方

講義の中で機械学習のツールについても説明する.

授業計画・課題

  授業計画 課題
第1回 イントロダクション 機械学習のタスクの概要
第2回 線形モデル1 損失関数,経験損失最小化,過剰適合,正則化,バイアスとバリアンス,線形モデル (線形回帰)
第3回 最適化基礎1 問題設定・勾配法・制約付き最適化
第4回 最適化基礎2 凸最適化,双対性
第5回 線形モデル2 線形モデル(分類),ロジスティック回帰,(線形・カーネル)サポートベクタマシン
第6回 線形モデル3 L1正則化,スパース学習,Lasso
第7回 スケーラブルな学習 確率勾配・加速度項付き勾配・モーメント・ミニバッチ・分散並列学習
第8回 深層学習の概要 実世界における適用事例
第9回 深層フィードフォワードネットワーク 多層パーセプトロン,隠れユニット,活性化関数,計算グラフ
第10回 深層ネットワークの学習 勾配に基づく学習,誤差逆伝搬法,正則化,ドロップアウト
第11回 表現学習 分散表現,単語埋め込み,潜在意味解析,Skip-gramモデル
第12回 畳み込みネットワーク 畳み込み,プーリング,ゲート付き線形ユニット,特徴量抽出
第13回 再帰的ネットワーク 再帰的ニューラルネットワーク,木構造ニューラルネットワーク,長期短期記憶,ゲート付き再帰ユニット
第14回 エンコーダ・デコーダ 系列・系列モデル,注意機構
第15回 深層学習のアプリケーション テキスト生成,実装

教科書

授業で適宜資料を配布する.

参考書、講義資料等

英語版シラバスを参照.

成績評価の基準及び方法

レポート課題(70%)や演習等(30%)で成績を評価する.

関連する科目

  • MCS.T507 : 統計数理
  • MCS.T403 : 統計的学習理論
  • CSC.T352 : パターン認識
  • CSC.T272 : 人工知能
  • CSC.T242 : 確率論・統計学

履修の条件(知識・技能・履修済科目等)

特になし

その他

特になし

このページのトップへ