シラバス参照
|
シラバス参照
|
| 科目一覧へ戻る | 2024/09/12 現在 |
|
開講科目名 ／Course |
パターン認識特論／Pattern Recognition Advanced | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
|
時間割コード ／Course Code |
S2200450_S6 | |||||||||
|
開講所属 ／Course Offered by |
システム工学研究科／Graduate School 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 2 | |||||||||
|
開講区分 ／Semester offered |
後期／the latter term | |||||||||
|
単位数 ／Credits |
2.0 | |||||||||
|
学年 ／Year |
1,2 | |||||||||
|
主担当教員 ／Main Instructor |
和田 俊和／Toshikazu Wada | |||||||||
|
科目区分 ／Course Group |
_ | |||||||||
|
授業形態 ／Lecture Form |
講義 | |||||||||
|
教室 ／Classroom |
北１号館Ａ６０１／北１号館Ａ６０１ | |||||||||
|
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 |
|---|---|
| 和田 俊和／Toshikazu Wada | システム工学部（教員） |
|
授業の概要・ねらい ／Course Aims |
本講義では、以下の３つのレベルについて詳細に説明を行い，パターン認識の古典から現代的理論に至る変遷を辿ると同時に，演習問題を通じてその応用能力を涵養する． 1. ベクトル空間、直交展開、主成分分析などの数学的準備 2. 統計的識別法、線形識別関数、TLU(Threshold Logic Unit)とニューラルネットの関係、部分空間法・類似度法、最近傍識別器などの基本的な識別法 3. SVM(Support Vector Machine)とADA Boostingなどの高度な識別理論と最近傍識別器との関連および最近傍探索などの関連技術 本講義では，多次元ベクトルで表現されるパターンを学習・識別・分類する方法について，基礎から最新理論に至るまでを学ぶ．これはコンピュータを用いた定量的・統計的データの解析手法の一つであり，画像理解，音声認識など広い意味での人工知能研究の基礎となる講義である． |
|---|---|
|
到達目標 ／Course Objectives |
レベル1：直交展開と主成分分析，および正規分布とマハラノビス距離の関係の理解 レベル2：線形識別関数とTLU,ニューラルネットの関係の理解 レベル3：統計的識別法と判別分析，部分空間法・類似度法の関連の理解 レベル4：SVM,ADA Boostingと最近傍識別理論の関係の理解 レベル5：これら相互の関連の理解と，応用能力 レベル3までを可とし，4までを良，5まで達成できた場合優と判定する． |
|
成績評価の方法・基準 ／Grading Policies/Criteria |
期末試験による．但し，５回以上講義を欠席した者は期末試験の受験資格を失う．講義中に課されたレポートは必ず提出すること．未提出の場合はカードによる出席がある場合でも欠席と見なす． |
|
教科書 ／Textbook |
資料配布による． |
|
参考書・参考文献 ／Reference Book |
・「わかりやすいパターン認識」オーム社 石井健一郎,上田修功,前田英作,村瀬洋 ・「パターン理解」 オーム社 白井良明 |
|
履修上の注意 ・メッセージ ／Notice for Students |
パワーポイントによる講義を行う． 線形代数と微分に関する知識、およびプログラミング技能を習得しておくことが望ましい． 出席，総合演習課題，試験により評価する． |
|
履修する上で必要な事項 ／Prerequisite |
記載事項なし |
|
履修を推奨する関連科目 ／Related Courses |
記載事項なし |
|
授業時間外学修についての指示 ／Instructions for studying outside class hours |
本授業の授業計画に沿って、準備学習１時間と復習１時間を毎週行ってください。さらに、授業内容に関連する課題に関する調査・考察を含めて、毎回の授業ごとに自主的学修を求めます。 |
|
その他連絡事項 ／Other messages |
授業内でＰＣを使用しますから，各自持参すること。 |
|
授業理解を深める方法 ／How to deepen your understanding of classes |
講義時間内に数回演習問題を課し，翌回に正答の説明を行う．【「アクティブ・ラーニング」実施要項 ⑪】 |
|
オフィスアワー ／Office Hours |
授業開講時：前期：月曜日・10時50分～12時00分，後期：水曜日・13時10分～14時30分 訪問先：A棟A603 |
|
科目ナンバリング ／Course Numbering |
S61015J11099T509 |
| No. | 回（日時） ／Time (date and time) |
主題と位置付け ／Subjects and instructor's position |
学習方法と内容 ／Methods and contents |
備考（担当） ／Notes |
|---|---|---|---|---|
| 1 | 1（10/2） | 数学的準備１（ベクトル空間、直交展開） | ||
| 2 | 2（10/9） | 数学的準備２（直交展開，主成分分析） | ||
| 3 | 3（10/16） | 線形識別関数、TLU(Threshold Logic Unit)とニューラルネットの関係 | ||
| 4 | 4（10/23） | 判別分析 | ||
| 5 | 5（10/30） | 統計的識別法 | ||
| 6 | 6（11/13） | 部分空間法・類似度法 | ||
| 7 | 7（11/20） | 最近傍識別器とCondensing | ||
| 8 | 8（11/27） | 最近傍探索法 | ||
| 9 | 9（12/4） | SVM(Support Vector Machine) | ||
| 10 | 10（12/11） | トランスポーズトリックとカーネル主成分分析 | ||
| 11 | 11（12/18） | ADA Boosting | ||
| 12 | 12（12/25） | 決定木とその最適化 | ||
| 13 | 13（1/8） | 不変特徴抽出 | ||
| 14 | 14（1/22） | 演習問題 | ||
| 15 | 15（1/29） | まとめ |