シラバス参照

印刷
講義名 機械学習システム
代表ナンバリングコード BII2HS008B
講義開講時期 前期 講義区分 講義
基準単位数 2
受講定員の有無 なし
授業公開 科目等履修・聴講
履修年次 2・3年次
2024年度カリキュラム　ナンバリング

担当教員
氏名
◎ 黄　宏軒

到達目標 機械学習の各種技法の概要を理解する。
処理しようとしているデータに対して適切な技法を選択できる。
学習モデルの良し悪しを評価できる。
学習モデルの性能が悪いときに問題点を突き止めて改善できる。
授業概要 機械学習は、データに潜む法則性を自動的に推定して、知的な情報処理を行うプログラムを実現する、人工知能の主要技術である。本講義は、近年著しく成果を上げている深層学習に焦点を当てて講義を行う。数学の理論は、手法の理解に最小限の内容に留めておき、機械学習を実践的に運用できることに重きを置く。単純なニューラルネットワークから、画像から特徴を抽出する畳み込みニューラルネットワーク、動画の映像や音声の時系列データを処理できる再帰型ニューラルネットワークまで利用できる情報の量を増やしながら解説していき、モデルの品質の評価方法についても学習する。
授業計画
回授業内容
第1回はじめに：機械学習とはどういうものか、機械学習でどのような問題が解決できるか
第2回学習モデルの性能評価
第3回順伝播型ネットワーク
第4回確率的勾配降下法
第5回学習結果の改善：ニューラルネットワークの内部から
第6回学習結果の改善：ニューラルネットワークの外部から
第7回機械学習のツール
第8回畳み込みニューラルネット
第9回系列データのためのネットワーク
第10回集合・グラフのためのネットワークと注意機構
第11回マルチモーダル学習
第12回生成モデル
第13回データが少ない場合の学習
第14回いろいろな学習方法
第15回まとめ
準備学習（予習・復習等）の内容とそれに必要な時間 （毎回の授業前に行うべき予習）
講義資料を事前に配付するので、次回に修得すべき項目を頭に入れておくこと。
（毎回の授業終了後に行うべき復習）
必ず授業内容を復習し、分からないところがあれば自分で調べて解決しようとする努力をする、それでも分からなければ教員に聞くこと。
評価方法（割合） 演習課題(25%)
レポート課題（25％）
期末試験（50％）
　　 　　　　　　　　　　
課題（試験やレポート等）に対するフィードバックの方法 Mail等へ連絡もしくは直接面談。
テキスト 毎講義でレジュメを配付する。
参考書・参考資料等 「深層学習」, 岡谷貴之, 講談社 改定第2版 (2022) 【シラバス作成時は未発売】
「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，講談社(2020)
「深層学習」, Ian Goodfellow, et al., ASCII (2018)
「Pythonによるデータ分析入門 第2版 ―NumPy、pandasを使ったデータ処理」,
Wes Mckinney, オライリージャパン(2018)
「機械学習のための特徴量エンジニアリング ―その原理とPythonによる実践 」,
Alice Zheng et al., オライリージャパン(2019)
メッセージ 社会に大きい影響を及ぼした第三次AI(人工知能)ブームは、深層学習技術によって引き起こされたと言っても過言ではない。昨今の最も重要な情報技術のトレンドの基本を是非本科目を通して習得してもらいたい。
教員との連絡方法 Mail等へ連絡もしくは直接面談。
担当教員の実務経験 -
備考 講義中、特段の理由がない限り私語、飲食、着帽、無断退室、携帯電話の操作を慎むこと。

※新型コロナウイルス感染症の状況により、本シラバスの内容が変更となることがあります。
他科目との関係性 【先修】共通教育科目「線形代数基礎」と「微分積分基礎」、および「コンピュータプログラミングⅠ・Ⅱ」は、本科目履修前に学んでおくことが望ましい。
【背景】人工知能実現のために機械学習がどのような役割を果たすか、「人工知能」で学んでおくとよい。
【深化】機械学習の理論面をきちんと理解するために、本科目履修後は「パターン認識と機械学習」を履修することを勧める。機械学習の背後にある数学理論やニューラルネットワーク以外の一般的な機械学習手法は、後期に開講される「パターン認識と機械学習」でより深く学ぶことができる。
【実践】IT実習III「機械学習入門」ではPythonを用いて実際に深層学習のプログラミング演習を行うので，理論の理解だけではなく運用をしてみたい本科目の受講生に履修を推奨する。
卒業認定・学位授与方針との関連
◎特に関係性が深い、○関係性が深い
関連性
情報学実践の基盤となる堅固な基礎学力、基礎技術力を持つ
○
地域の現実のデータを収集・分析し、地域社会の持続と発展のためのシナリオ作成と評価ができる
○
情報システムやアプリケーションの開発等により、地域社会を支える情報基盤を構築できる
○
人工知能技術やエンタテインメント技術を用いて、地域社会を豊かにできる
◎
情報学の知見や技術を応用・活用して、公共経営、企業経営、交流観光、医療福祉、防災等のまちづくりに貢献できる
○
評価基準
列1
秀
各機械学習手法の仕組みを理解し、現実の問題に適用し、性能の評価・改善ができる。
優
各機械学習手法の仕組みを理解し、現実の問題に適用する手順を理解している。
良
各機械学習手法の仕組みを理解し、メリット、ディメリットを説明できる。
可
各機械学習手法の仕組みを理解している。
不可
各機械学習手法の仕組みを理解していない。
放棄
出席回数が10回に満たない。