到達目標
パターン認識に関わる基礎的な概念を理解し、説明できる
高次元データを分類、分析するための基礎的な方法を理解し、説明できる
【教育目標】D
【キーワード】 パターン認識, 最近傍法, サポートベクトルマシン, 主成分分析, カーネル法
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 |
パターン認識に関わる基礎的な概念を理解し、説明できる | パターン認識に関わる基礎的な概念を説明でき、実際の課題に当てはめて問題を定式化できる | パターン認識に関わる基礎的な概念を理解し、説明できる | パターン認識に関わる基礎的な概念を説明できない |
高次元データを分類、分析するための基礎的な方法を理解し、説明できる | 高次元データを分類、分析するための基礎的な方法を理解し、実際の課題で適切な方法を活用できる | 高次元データを分類、分析するための基礎的な方法を理解し、説明できる | 高次元データを分類、分析するための基礎的な方法を説明できない |
学科の到達目標項目との関係
教育方法等
概要:
パターン認識に関わる基礎的な概念や理論について学ぶ。高次元データを分類、分析するための基礎的な方法とその理論について学ぶ。
授業の進め方・方法:
原則として講義形式で授業を進めるが、状況により実習を行うことがある。また、課題に関して受講者の前で説明してもらうことがある。
予習により不明点を明確にし、復習により毎回の授業の内容を理解し、宿題を行うこと。
注意点:
授業中に出す課題と試験により評価を行う。詳細は1回目の授業で説明する。
【事前学習】
授業で扱う内容について教科書の記載を確認すること。また、前回の授業で扱った内容について復習し、用語の意味を再確認しておくこと。
【評価方法・評価基準】
試験(60%)と課題(40%)で評価する。
パターン認識に関わる基礎的な概念や高次元データを分類、分析するための基礎的な方法についての理解度とそれらについての論理的な説明能力を評価する。
課題の未提出が,4分の1を超える場合は不合格点とする。総合成績60点以上を単位修得とする。
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 |
後期 |
3rdQ |
1週 |
識別規則と学習法の分類 |
識別規則と学習法の分類について説明できる
|
2週 |
ベイズの識別規則 |
ベイズの識別規則について説明できる
|
3週 |
確率モデルと識別関数 |
確率モデルと識別関数について説明できる
|
4週 |
k最近傍法 |
k最近傍法について説明できる
|
5週 |
k最近傍法 |
k最近傍法について説明できる
|
6週 |
線形識別関数 |
線形識別関数について説明できる
|
7週 |
線形識別関数 |
線形識別関数について説明できる
|
8週 |
中間試験 |
|
4thQ |
9週 |
サポートベクトルマシン |
サポートベクトルマシンについて説明できる
|
10週 |
サポートベクトルマシン |
サポートベクトルマシンについて説明できる
|
11週 |
部分空間法 |
部分空間法について説明できる
|
12週 |
主成分分析 |
主成分分析について説明できる
|
13週 |
カーネル法 |
カーネル法について説明できる
|
14週 |
クラスタリング |
クラスタリングについて説明できる
|
15週 |
期末試験 |
|
16週 |
まとめ |
|
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 | 課題 | 合計 |
総合評価割合 | 60 | 40 | 100 |
基礎的能力 | 30 | 20 | 50 |
専門的能力 | 30 | 20 | 50 |