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，データ解析分野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，脳神経科学，認知科学など多岐にわたり応用され，多くの業務で必要とされている．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． この科目は研究所で脳神経科学の研究を行なっていた教員が，その経験を生かし，機械学習の手法などについて講義，演習形式で授業を行うものである．
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。
「授業計画」における各週の「到達目標」はこの授業で習得する「知識・能力」に相当するものとする
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，グラフィカルモデル，ベイジアンネットワーク |
2. ベイズの定理を用いて事後確率を計算できる
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
|
| 3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
|
| 4週 |
ガウス分布 |
5. ガウス分布について理解する
|
| 5週 |
演習1 |
上記4
|
| 6週 |
線形基底関数モデルによる回帰，MAP推定とベイズ推定 |
上記4，5
|
| 7週 |
演習2 |
|
| 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 |
多次元ガウス分布 |
上記4
|
| 10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
|
| 11週 |
フィッシャーの判別、パーセプトロン |
上記6
|
| 12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
|
| 13週 |
演習3 |
上記6
|
| 14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
|
| 15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
|
| 16週 |
演習4 |
上記8
|
| 後期 |
| 3rdQ |
| 1週 |
|
|
| 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 |
ディープラーニング技術1 |
上記8,9
|
| 4週 |
ディープラーニング技術2 |
上記8,9
|
| 5週 |
演習4 |
上記8,9
|
| 6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
|
| 7週 |
サポートベクトルマシン2 |
上記10
|
| 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 |
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
|
| 10週 |
主成分分析 |
上記11
|
| 11週 |
演習5 |
上記10
|
| 12週 |
決定木，ランダムフォレスト，アンサンブル学習 |
12. 決定木，ランダムフォレスト，アンサンブル学習について理解する
|
| 13週 |
演習6 |
上記12
|
| 14週 |
HMM |
13. 隠れマルコフモデルについて理解する
|
| 15週 |
演習7 |
上記13
|
| 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 |