到達目標
(1) パターン認識の基本的な概念について説明出来る.
(2) パターン認識に関する計算問題を解くことが出来る.
(3) 最近傍法、階層型ニューラルネット、ナイーブベイズ識別器、決定木に関するプログラムを作成できる.
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 | パターン認識に関する応用事項に関する計算問題が解ける. | パターン認識に関する基礎的な事項に関する計算問題が解ける. | パターン認識に関する基礎的な事項に関する計算問題が解けない. |
評価項目2 | k最近傍識別、ニューラルネットワーク、統計的パターン認識、決定木に関する理論を数式を用いて説明できる. | k最近傍識別、ニューラルネットワーク、統計的パターン認識、決定木に関する概要を説明できる. | k最近傍識別、ニューラルネットワーク、統計的パターン認識、決定木に関する概要を説明できない. |
評価項目3 | k最近傍識別、ニューラルネットワーク、統計的パターン認識、決定木に関するプログラムを作成でき、結果の考察を正しくできる. | k最近傍識別、ニューラルネットワーク、統計的パターン認識、決定木に関するプログラムを作成できる. | k最近傍識別、ニューラルネットワーク、統計的パターン認識、決定木に関するプログラムを作成できない. |
学科の到達目標項目との関係
教育方法等
概要:
OCR(光学的文字認識),画像認識,指紋照合などの技術はパターン認識と呼ばれ,近年注目を集めている人工知能の代表的な応用例の1つである.この講義では,パターン認識の基礎的な手法について取り上げ,プログラム作成演習を通して基礎的な技術を身につける.
授業の進め方・方法:
座学を中心とするが、演習課題(プログラムの作成など)も課す.演習課題は授業時間内では終了しないので、放課後に自学自習として行うこと.達成度を評価する試験を適宜実施する.定期試験35%、達成度を計る試験35%、課題レポート等30%の割合で評価する。合格点は60点以上。
注意点:
定期試験の成績によっては再試験を行うこともある.実施する場合には別途その扱いについて連絡するので注意すること.
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
後期 |
3rdQ |
1週 |
パターン認識の基礎概念 |
パターン認識の基礎的な概念を説明できる。
|
2週 |
最近傍法と分離境界 |
最近傍法に関連する計算問題を解くことが出来る.
|
3週 |
k-最近傍法と演習 |
最近傍法およびk-最近傍法のプログラムを作成できる.
|
4週 |
数学の準備(1) |
最適化について計算問題を解くことができる.
|
5週 |
ニューラルネットワーク(1) |
単純パーセプトロンの理論を説明出来る.
|
6週 |
ニューラルネットワーク(2) |
多層パーセプトロンと誤差逆伝搬法の概念について説明出来る
|
7週 |
ニューラルネットワーク(3) |
多層パーセプトロンと誤差逆伝搬法のプログラムを作成できる
|
8週 |
ニューラルネットワーク(4) |
線形分離不可能な問題に関して説明出来る.
|
4thQ |
9週 |
達成度評価試験 |
前半の授業内容について理解し,理論を説明できる.また,関連する計算問題を解くことができる.
|
10週 |
ナイーブベイズ識別(1) |
ナイーブベイズ識別の概念を説明出来る
|
11週 |
ナイーブベイズ識別(2) |
ナイーブベイズ識別のプログラムを作成できる
|
12週 |
決定木(1) |
CARTの概念を説明出来る.
|
13週 |
決定木(2) |
CARTのプログラムを作成できる
|
14週 |
交差確認法とブートストラップ法 |
交差確認法とブートストラップ法のプログラムを作成できる
|
15週 |
ランダムフォレスト |
ランダムフォレストの概念を説明出来る
|
16週 |
定期試験 |
後半の授業内容について理解し,理論を説明できる.また,関連する計算問題を解くことができる.
|
評価割合
| 定期試験 | 達成度試験 | 課題等 | 合計 |
総合評価割合 | 35 | 35 | 30 | 100 |
基礎的能力 | 0 | 0 | 0 | 0 |
専門的能力 | 35 | 35 | 30 | 100 |
分野横断的能力 | 0 | 0 | 0 | 0 |