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.
※ 新型コロナ感染対策として履修人数制限が必要な場合には、情報工学系の学生を優先することがあります.
・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
回帰,分類,クラスタリング,次元圧縮,強化学習
✔ 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) |
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 | |
---|---|---|
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,NumPy,Matplotlib,scikit-learn |
第3回 | 線形回帰 | 単回帰,最小二乗法,最尤推定,重回帰,モデル選択,正則化,勾配法 |
第4回 | 線形二値分類 | 二値分類,ロジスティック回帰,評価 |
第5回 | 線形多値分類 | 多値分類,多クラスロジスティック回帰,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 | ニューラルネットワーク | 閾値論理ユニット,活性化関数,万能近似定理 |
第8回 | 多層ニューラルネットワーク | 計算グラフ,自動微分,誤差逆伝搬,深層ニューラルネットワーク,畳み込みニューラルネットワーク |
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 |
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 | 非階層型クラスタリング,K-means,ボロノイ図,階層型クラスタリング,最短距離法,最長距離法,群平均法,重心法,ウォード法 |
第12回 | 次元圧縮 | 主成分分析,特異値分解 |
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 |
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。
指定なし
OCW-i にて電子的に配布する
全3回の演習のレポート(60%),および期末試験(40%)
特になし