到達目標
・機械学習の種類について理解できる。
・データ収集やデータの前処理について理解できる。
・ある課題に対して問題設定をし、適切な機械学習手法を選択できる。
【教育目標】D
【学習・教育到達目標】D-2
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 |
機械学習の種類について理解できる。 | 機械学習の種類について具体例を示しながら説明できる。 | 機械学習の種類について説明できる。 | 機械学習の種類について説明できない。 |
データ収集やデータの前処理について理解できる。 | データ収集やデータの前処理について具体例を示しながら説明できる。 | データ収集やデータの前処理について説明できる。 | データ収集やデータの前処理について説明できない。 |
ある課題に対して問題設定をし、適切な機械学習手法を選択できる。 | 問題設定をし、機械学習方法を選択した理由を他者に説明できる。 | 問題設定をし、機械学習方法を選択できる。 | 問題設定をし、機械学習方法を選択できない。 |
学科の到達目標項目との関係
教育方法等
概要:
研究・開発におけるデータ解析に使用する機械学習は、課題やデータの質によって適切な手法が異なる。また、最終的な評価値の良し悪しだけでなく「なぜその結果になったのか?」という説明性も重要になる。本講義では様々な機械学習の種類やデータ収集方法について講義し、自らの課題に対して機械学習を適用できることを目的とする。
授業の進め方・方法:
・オンラインで実施するため、PCの準備が必要である。
・講義は座学とサンプルプログラム、演習を組み合わせて行う。
・プログラミング言語にはPythonを使用する。
・開発環境はGoogle Colabratoryを使用する。
・ある課題に対する問題設定と機械学習手法の選択について発表会を実施する。
注意点:
【事前学習】
・Pythonによるプログラミングについて理解しておくこと。
・Google Colabratoryの使用方法を理解しておくこと。
【評価方法・評価基準】
課題(50%)、発表(25%)、レポート(25%)で評価する。60点以上を合格とする。
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 |
前期 |
1stQ |
1週 |
ガイダンス |
授業の概要と開発環境の使い方を理解できる。
|
2週 |
機械学習の概要 |
機械学習の概要を理解できる。
|
3週 |
教師あり学習:k-最近傍法 |
k-最近傍法を理解できる。
|
4週 |
教師あり学習:線形モデル |
線形モデルを理解できる。
|
5週 |
教師あり学習:決定木 |
決定木を理解できる。
|
6週 |
教師あり学習:サポートベクターマシン |
サポートベクターマシンを理解できる。
|
7週 |
教師あり学習:ニューラルネットワーク |
ニューラルネットワークを理解できる。
|
8週 |
教師なし学習:概要 |
教師なし学習の概要を理解できる。
|
2ndQ |
9週 |
教師なし学習:主成分分析 |
主成分分析を理解できる。
|
10週 |
教師なし学習:クラスタリング |
クラスタリングを理解できる。
|
11週 |
モデル評価とパラメータチューニング |
モデル評価方法とパラメータチューニングについて理解できる。
|
12週 |
データ収集、データセット作成方法 |
データセット作成方法を理解できる。
|
13週 |
発表会Ⅰ |
ある課題に対して問題設定をし、適切な機械学習方法を選択できる。
|
14週 |
発表会Ⅱ |
ある課題に対して問題設定をし、適切な機械学習方法を選択できる。
|
15週 |
まとめ |
|
16週 |
|
|
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
| 課題 | 発表 | レポート | 合計 |
総合評価割合 | 50 | 25 | 25 | 100 |
専門的能力 | 50 | 25 | 25 | 100 |