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。 |
| 評価項目3 | 時系列データのモデリング方法を理解し、各種方法を使うことができる。 | 時系列データのモデリング方法を理解している。 | 時系列データのモデリング方法を理解していない。 |
| 評価項目4 | 教師なし学習法・次元削減の方法を理解し、各種方法を使うことができる。 | 教師なし学習法・次元削減の方法を理解している。 | 教師なし学習法・次元削減の方法を理解していない。 |
| 評価項目5 | 生成モデルの方法を理解し，各種方法を使うことができる。 | 生成モデルの方法を理解している。 | 生成モデル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＞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。
colabolatorによる演習・課題を行う。
注意点:
＜到達目標の評価方法と基準＞
授業計画の「到達目標」1～14を網羅した問題を中間試験、定期試験および演習・課題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、前期期末2回の試験の平均を60%，レポートを40%で評価する。再試験はクラス中央値が65点以下の時に30点以上だったものに対し行う。
＜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，応用数学I，応用数学IIと関連が深い．
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 |
イントロダクション、機械学習システム |
1. 機械学習および機械学習を用いたシステムについて理解する
|
| 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. 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、ガウス分布、最尤推定 |
3. 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. ガウス分布について理解する
|
| 4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3,4
|
| 5週 |
多次元ガウス分布、決定理論 |
5. 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
|
| 6週 |
ロジスティック回帰，最適化問題（最急降下法、ニュートン法） |
6. 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
|
| 7週 |
ニューラルネットワーク |
7. 階層型ニューラルネットワーク、誤差逆伝搬法について理解する
|
| 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
|
| 2ndQ |
| 9週 |
Convolutional Neural Network、ディープラーニング |
8. CNNについて理解する
|
| 10週 |
決定木とアンサンブル学習 |
9. 決定木、アンサンブル学習について理解する
|
| 11週 |
時系列モデル(HMM, RNN, LSTM) |
10. 時系列モデルについて理解する
|
| 12週 |
生成モデル |
11. 生成モデルについて理解する
|
| 13週 |
クラスタリング |
12. クラスタリング手法について理解する
|
| 14週 |
次元圧縮 |
13 次元圧縮法について理解する
|
| 15週 |
SVM |
14. SVM、カーネルマシンの特性について理解する
|
| 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 |
評価割合
| 試験 | レポート | 合計 |
| 総合評価割合 | 60 | 40 | 100 |
| 配点 | 60 | 40 | 100 |