到達目標
1. 機械学習の基礎知識を理解する
2.機械学習の実装方法を理解する
3.目的の問題を解決するのに適した機械学習アルゴリズムを理解する
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 | 機械学習の基礎知識が適切に説明できる。 | 機械学習の基礎知識が説明できる。 | 機械学習の基礎知識が適切に説明できない。 |
評価項目2 | 機械学習の実装方法が適切に説明できる。 | 機械学習の実装方法が説明できる。 | 機械学習の実装方法が説明できない。 |
評価項目3 | 目的の問題を解決するのに適した機械学習アルゴリズムが適切に説明できる。 | 目的の問題を解決するのに適した機械学習アルゴリズムが説明できる。 | 目的の問題を解決するのに適した機械学習アルゴリズムが説明できない。 |
学科の到達目標項目との関係
学習・教育到達度目標 専攻科の学習・教育目標 (SC)
説明
閉じる
教育方法等
概要:
本講義はインフォメーションテクノロジで脚光を浴びている機械学習の基礎をひととおり学ぶもので,従来広く利用されている機械学習の手法から近年注目を浴びているディープラーニングまでを学習し,実際の問題に実践できるようになることを目的とする。今後,機械学習を用いたデータ分析を行う技術は情報工学,インフォメーションテクノロジの分野において必要不可欠な能力である。
授業の進め方・方法:
授業は情報処理演習室で電子化されたテキストを読み進めながら演習を行うことで機械学習の理論を学び,実践方法を習得する。レポート提出物の内容によって学習状況を確認する。この科目は学習単位科目のため,事前学習として電子化されたテキストを事前に読んでおくこと。また,事後学習としてレポートやオンラインテストを実施する。
注意点:
本講義はe-learning形式により向上心,積極性,応用力,公共心,問題解決能力,責任感,論理性を身につけることができる。講義の前には事前にテキストに目を通し,予習をしておくこと。また,学習した内容を知識として定着させるために,テキストを復習することが望ましい。
授業の属性・履修上の区分
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
後期 |
3rdQ |
1週 |
機械学習とは |
機械学習の3つの方法が説明できる。
|
2週 |
分類問題を単純な機械学習で解く |
単純な機械学習のアルゴリズムが説明できる。
|
3週 |
次元削減でデータを圧縮 |
次元削減でデータを圧縮する方法が説明できる。
|
4週 |
モデルの評価 |
モデルの評価ができ、パイパーパラメータをチューニングすることができる。
|
5週 |
アンサンブル学習 |
アンサンブル学習について説明できる。
|
6週 |
感情分析 |
機械学習を用いた感情分析について説明ができる。
|
7週 |
回帰分析 |
連続値を取る目的変数の予測について説明できる。
|
8週 |
クラスタ分析 |
ラベルなしデータの分析について説明できる。
|
4thQ |
9週 |
多層人工ニューラルネットワークを一から実装 |
多層人工ニューラルネットワークの仕組みについて説明できる。
|
10週 |
TensorFlowとKerasを用いたニューラルネットワーク設計の効率化 |
TensorFlowとKerasを用いて効率的にニューラルネットワークを設計できる。
|
11週 |
画像の分類 |
ディープ畳み込みニューラルネットワークの仕組みを説明できる。
|
12週 |
GPUを用いたディープ畳み込みニューラルネットワークのトレーニングの高速化 |
GPUを用いてディープ畳み込みニューラルネットワークのトレーニングを高速化する方法について説明できる。
|
13週 |
系列データのモデル化 |
リカレントニューラルネットワークとLSTMが説明できる。
|
14週 |
総合演習 |
機械学習アルゴリズムが説明できる。
|
15週 |
期末試験 |
|
16週 |
解答返却・解答説明 |
期末試験内容の理解を深める。
|
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 |
評価割合
| 試験 | 発表 | 相互評価 | 態度 | ポートフォリオ | その他 | 合計 |
総合評価割合 | 70 | 0 | 0 | 0 | 30 | 0 | 100 |
基礎的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
専門的能力 | 70 | 0 | 0 | 0 | 30 | 0 | 100 |
分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |