到達目標
ア）教師あり学習による回帰，分類の手法を理解し，それを使うことができる．
イ）教師なし学習によるクラスタリング，主成分分析の手法を理解し，それを使うことができる．
ウ）強化学習，ベイズ学習，深層学習の手法の概要を理解し，それを使うことができる．
エ）機械学習の様々な手法をC言語でプログラミングできる．
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 | 教師あり学習による回帰，分類の手法の原理と特性を理解し，それを適切に応用することができる． | 教師あり学習による回帰，分類の手法を使うことができる． | 教師あり学習による回帰，分類の手法を使うことができない． |
| 評価項目２ | 教師なし学習によるクラスタリング，主成分分析の手法の原理と特性を理解し，それを適切に応用することができる． | 教師なし学習によるクラスタリング，主成分分析の手法を使うことができる． | 教師なし学習によるクラスタリング，主成分分析の手法を使うことができない． |
| 評価項目３ | 強化学習，ベイズ学習，深層学習の原理の概要を理解し，それを適切に使うことができる． | 強化学習，ベイズ学習，深層学習の手法を使うことができる． | 強化学習，ベイズ学習，深層学習の手法を使うことができない． |
| 評価項目４ | 機械学習の様々な手法をC言語で，かつ良いコードでプログラミングできる． | 機械学習の様々な手法をC言語でプログラミングできる． | 機械学習の様々な手法をC言語でプログラミングできない． |
学科の到達目標項目との関係
学習・教育到達度目標 B2-3 情報技術に関する知識とその工学的応用力の修得
学習・教育到達度目標 C2-4 「情報と計測・制御」に関する専門知識の修得
JABEE c 数学及び自然科学に関する知識とそれらを応用する能力
JABEE d 当該分野において必要とされる専門的知識とそれらを応用する能力
本校教育目標 ② 基礎学力
教育方法等
概要:
この科目は企業でAI・データサイエンスの技術を活用したCAEプログラムの作成・改善の実務を担当していた教員が，その経験を活かし，情報工学について講義を行うものである．
現在の理工学のあらゆる分野で用いられているAI（人工知能）技術やデータサイエンスの核となる「機械学習」について，その概要を学ぶ．また，その実装に必要なプログラミング技術を習得する．
授業の進め方・方法:
講義形式で実施する．また，原則毎回レポート課題を課し，その一部を「C言語によるプログラミング」の課題とする．
注意点:
これまでの「情報工学Ⅱ」の内容をできるだけ理解していることが望ましい．
また，「線形代数ⅡA，ⅡB」，「基礎解析ⅡB，Ⅲ」，「確率」の内容もできるだけ理解していることが望ましい．
なお，本講義の内容をより深く理解するためには，「統計学」，「解析学A，B」，「数学特論」の内容を予め修得しておくことがさらに望ましい．
※自学自習内容として指定した項目は，「課題」として評価に組み込む．
選択必修の種別・旧カリ科目名
規制技術に含まれるものはない
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 |
【記述統計】１次元データの解析：平均，分散，標準偏差，中央値 |
平均，分散，標準偏差の意味を理解し，それらを求めることができる．
|
| 2週 |
【記述統計】２次元データの解析：共分散，相関係数，回帰直線，疑似相関 |
共分散，相関係数，回帰直線の意味を理解し，それらを求めることができる．
|
| 3週 |
【回帰】単回帰：線形連立方程式，最小二乗法，決定係数 |
単回帰の手法を理解し，それを使うことができる．
|
| 4週 |
【回帰】重回帰：共分散行列，多重共線性，偏相関係数 |
重回帰の手法を理解し，それを使うことができる．
|
| 5週 |
【回帰】非線形回帰，モデルの正則化：過学習，Lasso回帰，Ridge回帰 |
非線形回帰の手法を理解し，それを使うことができる．
|
| 6週 |
【分類】ロジステック回帰，モデルの評価：ROC曲線 |
ロジスティック回帰の手法を理解し，それを使うことができる．
|
| 7週 |
【分類】決定木，サポートベクターマシン，情報利得，エントロピ |
決定木，サポートベクターマシンの手法を理解し，それらを使うことができる．
|
| 8週 |
【分類，クラスタリング】k近傍法，k平均法 |
ｋ近傍法，ｋ平均法の手法を理解し，それらを使うことができる．
|
| 2ndQ |
| 9週 |
【主成分分析】固有値と固有ベクトル，次元削減 |
主成分分析の手法を理解し，それを使うことができる．
|
| 10週 |
【ベイズ学習】条件付き確率，ベイズの定理，尤度，確率モデリング |
ベイズ学習の概要を理解し，それを使うことができる．
|
| 11週 |
【強化学習】方策・行動・報酬，TD学習，探索と活用のジレンマ |
強化学習の概要を理解し，それを使うことができる．
|
| 12週 |
【深層学習】ニューラルネットワークモデルと深層学習（Deep Learning） |
深層学習の概要を理解し，それを使うことができる．
|
| 13週 |
【深層学習】CNN，RNN |
CNN，RNNの概要を理解する．
|
| 14週 |
これまでのまとめ，プログラミング演習（配列，フローチャート） |
これまでの内容を理解し，それらの手法をプログラミングできる．
|
| 15週 |
現在のAI・データサイエンス技術：画像認識，自然言語処理，ロボティクス，生成AI
機械学習・AI・データサイエンス技術の社会実装，ビジネス／業務への組み込みとその課題：AIの公平性，信頼性，説明可能性
|
現在使われている機械学習の技術の概要と課題を知る．
|
| 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 |
| 専門的能力 | 分野別の専門工学 | 機械系分野 | 情報処理 | 一次元配列を使ったプログラムを作成できる。 | 4 | 前1,前14 |
評価割合
| 中間試験 | 定期試験 | 課題 | 合計 |
| 総合評価割合 | 20 | 40 | 40 | 100 |
| 専門的能力 | 20 | 40 | 40 | 100 |