到達目標
□パターン認識の基礎知識(特徴量、距離、識別、など)について説明できる。
□パターン認識の基礎知識に関して学んだ知識をプログラムに適用できる
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基本事項に関して十分に説明できる。 | パターン認識に関する基本事項に関して説明できる。 | パターン認識に関する基本事項に関して十分に説明できない。 |
評価項目2 | パターン認識に関する知識をプログラムに活用できる。 | パターン認識に関する知識をつかった基礎的なプログラムを作成できる。 | パターン認識に関する知識をつかった基礎的な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:
機械学習に関する基礎知識を理解するための導入として、音声や画像などに代表されるパターンを有するデータを扱うための手法の概要を学ぶ。
また、受講生自身がすでに理解しているプログラミングの基本技能を応用し、学んだ知識をプログラムとして適用するための演習を行うことで知識の定着を目指す。
授業の進め方・方法:
座学による講義と基本とし、必要に応じてプログラミングの演習・レポートを併用する。
注意点:
本科目は、授業時間30時間に加えて、自学自習時間60時間が授業の前後に必要となる。具体的な学修内容例は、教科書や参考資料を用いた授業の予習と復習、および授業で指定した課題・レポートへの取り組みなどである。
特に、パターンを扱うためには数学の基礎的な知識とプログラミングの基本技能を共に理解し、結びつけることが重要である。なお、基礎となる数学的な知識およびプログラミングの基本技能に関しては、受講の前提知識として扱うため、各自十分に復習し、事前に理解しておくこと。
本科目は隔年開講科目である。
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 |
本講義の概要を理解、前提知識の把握
|
2週 |
パターン認識概論 |
パターン認識の概要
|
3週 |
特徴量の基本操作 |
標準化、無相関化、白色化
|
4週 |
ベイズの識別規則 |
確率、尤度
|
5週 |
ベイズの識別規則 |
尤度比、損失最小化基準、棄却
|
6週 |
特徴量の加工 |
PCA
|
7週 |
距離 |
パターン間の距離
|
8週 |
確率モデル |
正規分布の最尤推定
|
2ndQ |
9週 |
K近傍法 |
最近傍法とK近傍法
|
10週 |
線形識別関数 |
多クラス化、パラメータ推定
|
11週 |
クラスタリング |
K平均法、ウォード法
|
12週 |
クラスタリング |
混合正規分布
|
13週 |
識別 |
パーセプトロン
|
14週 |
識別 |
VQ, GMM, DTWによる識別の概要
|
15週 |
まとめ |
これまでの内容の総括
|
16週 |
試験 |
|
評価割合
| 試験 | レポート | 合計 |
総合評価割合 | 80 | 20 | 100 |
基礎的能力 | 0 | 0 | 0 |
専門的能力 | 80 | 20 | 100 |
分野横断的能力 | 0 | 0 | 0 |