到達目標
一般的なパターン認識系の構成が説明できる。
代表的な識別、学習のアルゴリズムが説明できる。
ルーブリック
| 理想的な到達レベルの目安 | 標準的な到達レベルの目安 | 未到達レベルの目安 |
評価項目1 | 一般的なパターン認識系の構成が説明できる。 | 一般的なパターン認識系の構成要素が言える。 | 一般的なパターン認識系の構成要素が言えない。 |
評価項目2 | 代表的な識別、学習のアルゴリズムを応用問題に適用できる。 | 代表的な識別、学習のアルゴリズムを基本問題に適用できる。 | 代表的な識別、学習のアルゴリズムを基本問題に適用できない。 |
学科の到達目標項目との関係
JABEE d-1
説明
閉じる
到達目標 C 1
説明
閉じる
教育方法等
概要:
本講義では、パターン認識について学びます。パターン認識は、郵便番号の文字認識、デジカメの顔認識、音声認識など多くの分野に活用されている基礎的な技術です。
長い研究の歴史があり、学問体系として確立している統計的パターン認識において、認識の対象となる入力データに依存しない識別系と特徴抽出系について学びます。特に、特徴圧縮技術、パーセプトロン・判別分析を主な例としたパターン認識手法、およびパターン認識手法の性能を評価する手法について学びます。
授業の進め方・方法:
講義形式で行います。授業内容を確実に身につけるために、毎回演習の時間を設け、課題をレポートとして提出します。この講義では、線形代数をよく使うため、本科で習ったことの復習が必要です。
最後に、画像を入力データとする特徴抽出・照合、画像に基づく3次元幾何解析について、提示したテーマから興味のあるものを選んで調査し、理解したことを発表する。
注意点:
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
前期 |
1stQ |
1週 |
オリエンテーション,パターン認識とは |
シラバスにより授業の概要を説明する。次に、パターン、クラス、学習、パターン認識系の構成について説明する。
|
2週 |
数学的準備(1) |
線形代数(固有値、固有ベクトル)の復習をする。
|
3週 |
数学的準備(2) |
確率、統計の復習をする。
|
4週 |
学習と識別関数(1) |
学習の必要性、最近傍決定則、線形識別関数について学ぶ。パターン分布の統計的構造に基づいてパターン認識問題を解く統計的パターン認識理論について学ぶ。
|
5週 |
学習と識別関数(2) |
パーセプトロンの学習規則について学ぶ。
|
6週 |
誤差評価に基づく学習 |
Widrow-Hoffの学習規則、誤差評価について学ぶ。
|
7週 |
識別部の設計(1) |
パラメトリック・ノンパラメトリックな学習、パラメータの推定について学ぶ。
|
8週 |
識別部の設計(2) |
識別関数の設計について学ぶ。
|
2ndQ |
9週 |
識別部の設計(3) |
特徴空間の次元数と学習パターン数、識別部の最適化について学ぶ。
|
10週 |
特徴の評価とベイズ誤り確率 |
特徴の評価、ベイズ誤り確率について学ぶ。
|
11週 |
特徴空間の変換(1) |
特徴選択、特徴量の正規化、KL展開について学ぶ。
|
12週 |
特徴空間の変換(2) |
線形判別法について学ぶ。
|
13週 |
課題研究(1) |
特徴抽出、照合、3次元幾何解析に関して、複数のテーマを提示する。その中で興味のあるものを選び、理解する。
|
14週 |
課題研究(2) |
選んだテーマについて、プレゼンを行う。
|
15週 |
期末試験 |
本講義で学習した事項について理解度を問う。
|
16週 |
まとめ |
答案を返却し、解説を行う
|
モデルコアカリキュラムの学習内容と到達目標
分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
基礎的能力 | 数学 | 数学 | 数学 | 行列式の定義および性質を理解し、基本的な行列式の値を求めることができる。 | 4 | |
線形変換の定義を理解し、線形変換を表す行列を求めることができる。 | 4 | |
条件付き確率、確率の乗法定理、独立事象の確率を理解し、簡単な場合について確率を求めることができる。 | 4 | |
評価割合
| 試験 | 小レポート | 発表 | 合計 |
総合評価割合 | 0 | 0 | 0 | 0 |
評価項目1 | 10 | 0 | 0 | 0 |
評価項目2 | 50 | 30 | 10 | 0 |