基本情報/Basic Information

遠隔授業（授業回数全体の半分以上）の場合は、科目名の先頭に◆が付加されています（2023年度以降）

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	2026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	陳　金輝
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	要件年度 ／Required Year 要件所属 ／Course Name ディプロマポリシー ／Diploma Policy DP値 ／DP Point 2020/04 ～2022/04 システム工学部 1.幅広い教養と分野横断的な学力 1 2020/04 ～2022/04 システム工学部 2.専門的知識や技能 6 2020/04 ～2022/04 システム工学部 3.課題解決力と自己学修能力 3 2023/04 ～9999/04 システム工学部 1.幅広い教養と分野横断的な学力 1 2023/04 ～9999/04 システム工学部 2.専門的知識や技能 6 2023/04 ～9999/04 システム工学部 3.課題解決力と自己学修能力 3

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
陳　金輝	システム工学部（教員）

授業の概要・ねらい ／Course Aims	本講義は，AI技術・機械学習に初めて触れる方を対象とします． 　AI技術・機械学習の基礎知識に対する「単なる流行技術」として了解程度の内容を捉えることではなく，その本質を掴む・理解することを目的にします．機械学習の基本的な概念，数理的な考え方，代表的なアルゴリズムの仕組みを体系的に学びます．①なぜその技術が必要なのか（社会的背景・Why），②実社会ではどんな課題を解決できるのか（応用・What），③それを可能にする数理的な理論や仕組みはどのようなものか（理論・How） という3つの文脈を重視して授業を進めます．
到達目標 ／Course Objectives	・機械学習の主要な手法（教師あり学習，教師なし学習など）と，それぞれが社会のどのような課題解決に適用されているかを説明できる． ・代表的な機械学習モデル（回帰，分類，クラスタリングなど）の基本的な仕組みと，それを支える数理的な考え方を簡潔的に説明できる． ・技術の「実現方法」だけでなく，その技術が「なぜ必要とされるのか」という背景を踏まえて，AI・機械学習活用の可能性について自分の言葉で議論できる．
成績評価の方法・基準 ／Grading Policies/Criteria	課題についてレポート（50％），期末テスト（50％）等により総合的評価される．また，出席とレポートの提出状況等で学習態度により（10点以内で満点まで）加算することがあります．
教科書 ／Textbook	Moodle上資料配布，教科書を使用しません．
参考書・参考文献 ／Reference Book	以下の図書は講義では使用しませんが，学習に有益な参考図書です．推奨します， ・C.M. ビショップ（著），「パターン認識と機械学習 　上」（訳本），ISBN‏: ‎ 4621061224，丸善出版（価格: 6,500円＋税） ・C.M. ビショップ（著），「パターン認識と機械学習 　上」（訳本），ISBN: ‎ 4621061240，丸善出版（価格: 7,800円）
履修上の注意 ・メッセージ ／Notice for Students	・線形代数，確率統計学，解析数学，アルゴリズムの背景知識を必要とする ・機械学習・人工知能関連講義と演習の連続受講が望ましい ・原則，（学則に認められる，やむを得ない事由を除く）多数回の無断欠席且つレポートを提出しないこと，又は期末試験に欠席は単位取得が難しいとなります
履修を推奨する関連科目 ／Related Courses	関連科目又は関連知識背景について，以下2点の学修を推奨します． ・機械学習基礎演習 ・線形代数，確率統計，解析数学，データ構造とアルゴリズムに関する内容を，講義や参考図書などで学修すること
授業時間外学修（予習・復習等）の内容 ／students learning outside of the class, preparation and review are included	授業で扱う内容にとどまらず，関連する分野の図書や学術論文を自ら調査し，積極的に知識を広げるよう努めてください．授業では，教員から提供される資料だけでなく，受講者自身による関連情報の調査・収集，すなわち，アクティブ・ラーニングが重要です．図書館の資料や学術データベース等を活用し，授業テーマに関する理解を自主的に深めてください．また，1単位あたり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修時間を確保する．
その他連絡事項 ／Other messages	記載事項なし
授業理解を深める方法 ／How to deepen your understanding of classes	●予習＋復習 　・予習としては次回テーマに関連する基礎事項の確認，復習としては授業内容を踏まえた発展的な文献調査等を期待します． ●発展的学習 　・複数の視点から学ぶ：同じテーマについて，別の参考図書や論文等を読むことで理解が補完される 　・教えるつもりで学ぶ：学んだ内容を他人に説明できるかどうかを確認し，説明が曖昧な部分は理解が不十分なサインと捉えて，それらに対し「強化」学習 【「アクティブ・ラーニング」実施要項 ⑪】
オフィスアワー ／Office Hours	随時，ただし都合上調整には事前連絡が必要（連絡方法はMoodleに掲載）．
科目ナンバリング ／Course Numbering	S62022J11100S211，S62022J11100T203，S62022J11100U200，K62022J11100P274
実務経験のある教員等による授業科目 ／Practical Experience	実践的教育 ／Practical Education 1. 該当しない 実践的教育の内容 ／Contents

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	概要と諸概念の紹介	・ガイダンス ・機械学習とは ・機械学習に関する諸概念 ・機械学習種類 ・機械学習モデル開発の3ステップ
2	2	教師あり学習（１）	・回帰タスク ・線形モデル ・損失関数 ・パラメータの最適化 ・線形システム
3	3	教師あり学習（２）	・分類タスク ・事後確率と分類モデルの定義 ・最急降下法によるパラメータの更新
4	4	ベイズ分類器	・ベイズ推論 ・ナイベイズ ・最尤推定法
5	5	機械学習の目的関数	・何故目的関数が必要 ・パラメータ推定の２方案 　-頻度主義 　-ベイズ主義 ・モデルの最適解と過学習現象
6	6	アンサンブル学習	・アンサンブル学習とは ・代表的アンサンブル学習方法 ・Boostingアルゴリズム ・弱識別器の結合方法
7	7	サポートベクトルマシン（１）	・決定境界 ・Lagrange双対問題とマージン最大化 ・ラグランジュの未定乗数法KKT条件（1）
8	8	サポートベクトルマシン（２）	・ラグランジュの未定乗数法KKT条件（2） ・ソフトマージンによる汎化性能の改善 ・写像カーネルと非線形対応
9	9	ニューラルネットワーク（１）	・パーセプトロン ・活性化関数
10	10	ニューラルネットワーク（２）	・出力層の設計 ・ニューラルネットワークの学習
11	11	教師なし学習（１）	・クラスタリング ・k-means ・次元削減と計量学習
12	12	教師なし学習（２）	・特徴工学 ・特徴空間の構築方法 ・特徴評価と特徴選択
13	13	強化学習	・タスク，行動と報酬 ・K-Armed Bandit ・Model-based学習 ・Model-free学習 ・関数近似による価値関数の学習
14	14	モデル評価と過学習対策	・モデル評価の指標 ・評価実験の実施方法 ・過学習対策によるモデルの改良
15	15	まとめ	講義の進捗状況による時限の割当が足りない場合適宜時間調整と講義の全体のまとめ
16	16	単位認定試験	単位認定試験