- 開講元
- 情報工学系
- 担当教員名
- 岡﨑 直観
- 授業形態
- 講義 (Zoom)
- メディア利用科目
- 曜日・時限(講義室)
- 火7-8(S011) 金7-8(S011)
- クラス
- -
- 科目コード
- CSC.T254
- 単位数
- 2
- 開講年度
- 2020年度
- 開講クォーター
- 4Q
- シラバス更新日
- 2020年9月18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
機械学習は「明示的にプログラミングすることなく，コンピュータに学ぶ能力を与えようとする研究分野」（アーサー・サミュエル，1959年）として出発した．理論やアルゴリズムの成熟，データの大規模化，計算能力の向上などを背景として，機械学習は飛躍的な進展を見せ，情報科学以外の分野でも活用されるようになった．本講義では，機械学習の基礎的な概念と理論を紹介し，機械学習の応用に従事するために必要な知識の習得を目指す．機械学習の応用例をコンピュータ・プログラムとして実装するスキルを養成するため，プログラミング言語Pythonによる演習も実施する．
到達目標
・機械学習の基礎的な概念・理解を習得する
・機械学習の理論やアルゴリズムを実装を通して理解する
・データ処理の基礎事項を習得する
キーワード
回帰，分類，クラスタリング，次元圧縮，強化学習
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
概念・理論を習得するための座学と，それをコンピュータ上で実現する演習から構成される．
授業計画・課題
| 授業計画 | 課題 | |
|---|---|---|
| 第1回 | 導入，Pythonの基礎 | 機械学習の概要，Pythonの基本的な文法 |
| 第2回 | データの可視化 | データの読み書き，線グラフ，棒グラフ，散布図，ヒートマップ |
| 第3回 | 線形回帰 | 最小二乗法，最尤推定，勾配法，評価，過学習，正則化 |
| 第4回 | 線形分類（１） | しきい値論理ユニット，二値分類，パーセプトロン，ロジスティック回帰，評価 |
| 第5回 | 線形分類（２） | 多値分類，ソフトマックス関数 |
| 第6回 | 演習1 | 第3～5回の内容に関する演習 |
| 第7回 | 深層ニューラルネットワーク (1) | 活性化関数，計算グラフ，自動微分，誤差逆伝搬 |
| 第8回 | 深層ニューラルネットワーク (2) | 畳み込みニューラルネットワーク，ドロップアウト，ミニバッチ最適化 |
| 第9回 | サポートベクトルマシン | マージン，双対性，サポートベクトル，カーネル関数，多値分類 |
| 第10回 | 演習2 | 第7～9回の内容に関する演習 |
| 第11回 | クラスタリング | 階層型クラスタリング，K-means |
| 第12回 | 次元圧縮 | 主成分分析，特異値分解，ランダムプロジェクション |
| 第13回 | 強化学習 | マルコフ決定過程，ベルマン方程式，価値反復法，方策反復法，Q学習 |
| 第14回 | 演習3 | 第11～13回の内容に関する演習 |
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
指定なし
参考書、講義資料等
OCW-i にて電子的に配布する
成績評価の基準及び方法
全３回の演習のレポート（60%），および期末試験（40%）
関連する科目
- CSC.T242 ： 確率論・統計学
- CSC.T272 ： 人工知能
- CSC.T243 ： 手続き型プログラミング基礎
- CSC.T253 ： 手続き型プログラミング発展
- CSC.T352 ： パターン認識
- ART.T458 ： 先端機械学習
履修の条件(知識・技能・履修済科目等)
特になし
