シラバス参照
|
シラバス参照
|
| 科目一覧へ戻る | 2025/06/10 現在 |
|
開講科目名 ／Course |
機械学習基礎／Fundamentals of machine learning | ||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
時間割コード ／Course Code |
S1408300_S1 | ||||||||||||||||||||
|
開講所属 ／Course Offered by |
システム工学部／Faculty of Systems Engineering | ||||||||||||||||||||
|
ターム・学期 ／Term・Semester |
2025年度／Academic Year 第3クォーター／3Q | ||||||||||||||||||||
|
曜限 ／Day, Period |
水／Wed 3 | ||||||||||||||||||||
|
開講区分 ／Semester offered |
後期／the latter term | ||||||||||||||||||||
|
単位数 ／Credits |
2.0 | ||||||||||||||||||||
|
学年 ／Year |
2,3,4 | ||||||||||||||||||||
|
主担当教員 ／Main Instructor |
八谷 大岳 | ||||||||||||||||||||
|
授業形態 ／Lecture Form |
講義 | ||||||||||||||||||||
|
教室 ／Classroom |
北１号館Ａ１０１／北１号館Ａ１０１ | ||||||||||||||||||||
|
開講形態 ／Course Format |
|||||||||||||||||||||
|
ディプロマポリシー情報 ／Diploma Policy |
|
|
教員名 ／Instructor |
教員所属名 ／Affiliation |
|---|---|
| 八谷 大岳 | システム工学部（教員） |
|
授業の概要・ねらい ／Course Aims |
この科目では，担当教員の企業での研究開発の実務経験を活かした機械学習の実例の概説を通し，機械学習を理解し実践するための基礎となる数学的知識と，機械学習の基本手法について学ぶ．まず，機械学習に必要な数学の基礎（ベクトル，線形代数，確率統計，最適化）をおさらいし，これらがどのように機械学習アルゴリズムの理解と実装に役立つかを探る．次に，回帰分析，主成分分析，因子分析，協調フィルタリング，k平均法，ナイーブベイズ，線形判別分析，サポートベクトルマシン，カーネル法など，機械学習の基本手法を詳しく学ぶ．これらの手法の数学的原理と特性を深く理解し，簡単なデータ分析を行えるようになることを目指す． |
|---|---|
|
到達目標 ／Course Objectives |
・数学的基礎の習得：数学の基礎を理解し，これらを機械学習の文脈で適用する能力を身につける ・機械学習手法の理解：機械学習の基本手法の原理と特性を数学的に理解し，それぞれの手法がどのような問題に適しているかを識別できる ・データ分析能力の獲得：小規模のデータセットに対して基本的な機械学習手法を適用し，その結果を解釈する基本的なスキルを習得する |
|
成績評価の方法・基準 ／Grading Policies/Criteria |
授業内で出題する演習レポート，授業後に出題する課題レポート，および単位認定試験で総合的に評価する．演習レポートと課題レポートは合わせて３０％，単位認定試験は７０％とする．単位認定試験は，16回目に行う． |
|
教科書 ／Textbook |
ゼロからつくるPython機械学習プログラミング入門・八谷大岳著・講談社・978-4065206126・3,300円 |
|
参考書・参考文献 ／Reference Book |
記載事項なし |
|
履修上の注意 ・メッセージ ／Notice for Students |
・事前にMoodleで公開する講義資料で予習すること ・授業中は解説を参考に各自で演習問題を解き，演習レポートを作成すること ・授業後は，復習し課題問題を解き課題レポートを作成すること |
|
履修する上で必要な事項 ／Prerequisite |
演習と課題レポートはMoodleにて提出すること |
|
履修を推奨する関連科目 ／Related Courses |
線形代数，微積分，確率統計，人工知能 |
|
授業時間外学修についての指示 ／Instructions for studying outside class hours |
授業時間外学習として毎回予習・復習をしてください． 1単位の学修のために必要な学修量は，授業時間と予習復習の時間をあわせて45時間と定められている．それぞれに見合う自主的学習時間を確保すること． |
|
その他連絡事項 ／Other messages |
なし |
|
授業理解を深める方法 ／How to deepen your understanding of classes |
翌回に課題レポートの正答の説明を行う． 【「アクティブ・ラーニング」実施要項 ⑪】 |
|
オフィスアワー ／Office Hours |
毎回授業後に，質問および相談時間を設けますので，気軽に聞いてください． |
|
科目ナンバリング ／Course Numbering |
S62022J11100S211，S62022J11100T203，S62022J11100U200，K60032J11100P274 |
|
実務経験 ／Practical Experience |
有 |
| No. | 回（日時） ／Time (date and time) |
主題と位置付け ／Subjects and position in the whole course |
学習方法と内容 ／Methods and contents |
備考（担当） ／Notes |
|---|---|---|---|---|
| 1 | 1 | 機械学習の概要とベクトルのおさらい | 機械学習とは、講義の概要、ベクトルのおさらい(内積、直交変換) | |
| 2 | 2 | 線形代数のおさらい | 行列演算、転置・逆行列、行列のランク、固有値と固有値ベクトル、行列分解 | |
| 3 | 3 | 最適化手法のおさらい | 固有値と固有値ベクトル、ベクトルと行列の微分、条件付き最適問題 | |
| 4 | 4 | 確率統計のおさらい | ベイズの定理、平均、分散共分散、相関行列、正規分布 | |
| 5 | 5 | 回帰分析 | 回帰分析とは、単回帰分析の導出、重回帰分析への拡張、重回帰分析の活用 | |
| 6 | 6 | 主成分分析 | 主成分分析の基礎、主成分分析の計算、主成分分析による次元削減 | |
| 7 | 7 | 因子分析 | 因子分析の基礎、主因子法、因子分析の応用 | |
| 8 | 8 | 協調フィルタリング | 推薦システムとは、近傍法、潜在因子モデル、pythonによる実装例と実行例 | |
| 9 | 9 | 前半振り返り | 演習問題を通して、前半の内容を振り返る | |
| 10 | 10 | k平均法 | クラスター分析とは、k平均法、pythonによる実装例と実行例 | |
| 11 | 11 | 線形判別分析 | 判別分析とは、線形判別分析の基礎、線形判別分析の応用 | |
| 12 | 12 | ナイーブベイズ分析 | 線形判別分析の復習、確率的判別分析、ナイーブベイズの応用 | |
| 13 | 13 | サポートベクトルマシン | 線形判別分析の復習、サポートベクトルマシンの定式化、マージン最大化、pythonによる実装例 | |
| 14 | 14 | カーネル法 | 線形ソフトマージンSVMとその限界、カーネルモデルによる非線形表現、カーネルSVM、交差確認法によるハイパーパラメータの選択 | |
| 15 | 15 | 後半振り返り演習 | 演習問題を通して、後半の内容を振り返る | |
| 16 | 16 | 単位認定試験 | 単位認定試験 |