到達目標
回帰や認識といった問題に対し,分析法,クラスタリング法,線形基底関数モデルによる回帰,線形識別モデルや階層型ニューラルネットワークなどの学習機械について理解し,それらの特性や導出過程を理解した上で,実データに対して適応できる.
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 | 回帰問題を解くための方法を理解し,各種方法を使うことができる. | 回帰問題を解くための方法を理解している. | 回帰問題を解くための方法を理解していない. |
評価項目2 | 分類問題を解くための方法を理解し,各種方法を使うことができる. | 分類問題を解くための方法を理解している. | 分類問題を解くための方法を理解していない. |
学科の到達目標項目との関係
教育方法等
概要:
学習機械を用いた回帰やパターン認識は現在のデータ処理,データ解析において必須のものである.音声認識分野,画像処理分野,自然言語処理,バイオインフォマティクスなど多岐にわたり応用されている.本授業では,回帰と認識についてさまざまな方法論について,理論的背景から応用例まで紹介する.
授業の進め方・方法:
各週の内容は,学習・教育到達目標(B)<基礎>およびJABEE基準1(2)(c)に対応する。
注意点:
<到達目標の評価方法と基準>
授業計画の「達成目標」1~12を網羅した問題を2回の中間試験、2回の定期試験および演習に対するレポートで出題し、目標の達成度を評価する。達成度評価における各「知識・能力」の重みは概ね均等とする。合計点の60%の得点で、目標の達成を確認できるレベルの試験を課す.
<学業成績の評価方法および評価基準>
前期中間、前期末、後期中間、学年末の4回の試験の平均を80%,レポートを20%で評価する。再試験は行わない。
<単位修得要件>
学業成績で60点以上を取得すること.
<自己学習>授業で保証する学習時間と、予習・復習(中間試験,定期試験のための学習も含む)に必要な標準的な学習時間の総計が、90時間に相当する学習内容である。
<あらかじめ要求される基礎知識の範囲>
情報理論Ⅰ,応用数学I,応用数学IIと関連が深い.
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
前期 |
1stQ |
1週 |
イントロダクション |
統計的機械学習についての概略を知る
|
2週 |
ベイズ理論 |
2. ベイズの定理を用いて事後確率を計算できる
|
3週 |
グラフィカルモデル,ベイジアンネットワーク |
3. グラフィカルモデルにより確率変数間の関係を記述でき,簡単なベイジアンネットワークの確率計算ができる
|
4週 |
最小二乗法によるカーブフィッティング |
4. 線形基底関数モデルにより回帰問題を解くための手法を理解し、必要な式の導出ができる
|
5週 |
ガウス分布 |
5. ガウス分布について理解する
|
6週 |
線形基底関数モデルによる回帰 |
4. 線形基底関数モデルにより回帰問題を解くための手法を理解し、必要な式の導出ができる
|
7週 |
実習1 |
上記4
|
8週 |
中間試験 |
ここまでに学習した内容を説明し、必要な式の導出ができる
|
2ndQ |
9週 |
MAP推定とベイズ推定 |
上記4
|
10週 |
多次元ガウス分布 |
上記5
|
11週 |
決定理論 |
6. 認識問題を解くためのさまざまな手法について理解する
|
12週 |
フィッシャーの判別、パーセプトロン |
上記6
|
13週 |
確率的生成モデル、確率的識別モデル、ロジスティック回帰 |
上記6
|
14週 |
実習2 |
上記6
|
15週 |
最適化問題(最急降下法、ニュートン法) |
7. 誤差関数を逐次法によって最小化するための手法を理解する
|
16週 |
|
|
後期 |
3rdQ |
1週 |
ニューラルネットワーク(誤差逆伝搬法) |
8. 階層型ニューラルネットワーク、誤差逆伝搬法、ディープラーニングで用いられる手法について理解する
|
2週 |
ニューラルネットワークの応用と評価 |
9. モデルパラメータの求め方、モデルの評価方法について理解する
|
3週 |
実習3 |
上記8,9
|
4週 |
ディープラーニング技術1 |
上記8,9
|
5週 |
ディープラーニング技術2 |
上記8,9
|
6週 |
実習4 |
上記8,9
|
7週 |
サポートベクトルマシン1 |
10. SVM, カーネルマシンの特性について理解している
|
8週 |
中間試験 |
ここまでに学習した内容を説明し、必要な式の導出ができる
|
4thQ |
9週 |
サポートベクトルマシン2 |
上記10
|
10週 |
実習5 |
上記10
|
11週 |
k-meansと混合ガウス分布 |
11. さまざまなクラスタリング手法について理解する
|
12週 |
主成分分析 |
上記11
|
13週 |
実習6 |
上記11
|
14週 |
HMM |
12. 隠れマルコフモデルについて理解する
|
15週 |
実習7 |
上記12
|
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
| 試験 | レポート | 合計 |
総合評価割合 | 80 | 20 | 100 |
配点 | 80 | 20 | 100 |