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	2024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
科目区分 ／Course Group	_
授業形態 ／Lecture Form
教室 ／Classroom	北１号館Ａ１０３／北１号館Ａ１０３
開講形態 ／Course Format
ディプロマポリシー情報 ／Diploma Policy

担当教員情報/Instructor Information

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，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．
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２時間・復習２時間を確保してください．
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

No.	回（日時） ／Time (date and time)	主題と位置付け（担当） ／Subjects and instructor's position	学習方法と内容 ／Methods and contents	備考 ／Notes
1	1		ガイダンス、データ解析の応用例、ベクトル復習(内積、直交変換)
2	2		線形代数の復習（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		最適化手法の復習（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		確率統計の復習（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
6	6		主成分分析
7	7		因子分析
8	8		協調フィルタリング
9	9		k平均法
10	10		ガウス混合モデル
11	11		ナイーブベイズ分析
12	12		線形判別分析
13	13		サポートベクトルマシン
14	14		カーネル法
15	15		振り返り