到達目標
データに潜むパターンを機械が学習し、未知のデータを判断する機械学習の手法について、解析ツールとして利用するために必要な知識を学習し、深層学習をプログラミングで実装できる能力を習得する。
【教育目標 C、D】
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 |
機械学習について | 機械学習の分類(教師あり学習、教師なし学習、強化学習)について具体例を挙げて説明できる。 | 機械学習の分類(教師あり学習、教師なし学習、強化学習)について説明できる。 | 機械学習の分類(教師あり学習、教師なし学習、強化学習)について説明できない。 |
深層学習の実装 | 深層学習を使った高性能な画像認識モデルを実装できる。 | 深層学習を使った画像認識モデルを実装できる。 | 深層学習を使った画像認識モデルを実装できない。 |
| | | |
学科の到達目標項目との関係
教育方法等
概要:
機械学習はビッグデータや人工知能の基盤であり、様々な分野への応用が進められている。この講義では、解析ツールとして機械学習を利用するために必要な知識を学習し、深層学習をプログラミングで実装できる能力を習得する。
授業の進め方・方法:
座学とサンプルプログラムの説明をし、プログラムを参考に課題演習を行う。プログラミングにはPythonを使用する。
注意点:
課題、レポートで評価する。60点以上を合格とする。
関連科目)プログラミング、確率統計
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、開発環境の説明 |
演習で使用する開発環境を活用できる。
|
2週 |
機械学習の種類について |
機械学習の種類について説明できる。
|
3週 |
Pythonについて |
Pythonの文法、簡単なプログラムを作成できる。
|
4週 |
各種ライブラリを用いたデータ処理 |
Pythonの各種ライブラリが利用できる。
|
5週 |
サポートベクターマシーン(1) |
サンプルプログラムを理解する。
|
6週 |
サポートベクターマシーン(2) |
サンプルプログラムを参考に改良できる。
|
7週 |
深層学習によるパターン認識(1) |
サンプルプログラムを理解する。
|
8週 |
深層学習によるパターン認識(2) |
サンプルプログラムを参考に改良できる。
|
2ndQ |
9週 |
深層学習によるパターン認識(3) |
|
10週 |
CNNによる画像認識(1) |
サンプルプログラムを理解する。
|
11週 |
CNNによる画像認識(2) |
サンプルプログラムを参考に改良できる。
|
12週 |
CNNによる画像認識(3) |
|
13週 |
精度向上のための技術 |
画像水増しや学習済みモデルを活用できる。
|
14週 |
最新動向 |
|
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
| レポート | 課題 | 合計 |
総合評価割合 | 70 | 30 | 100 |
基礎的能力 | 30 | 15 | 45 |
専門的能力 | 30 | 15 | 45 |
分野横断的能力 | 10 | 0 | 10 |