情報処理Ⅲ

科目基礎情報

学校	香川高等専門学校	開講年度	令和04年度 (2022年度)
授業科目	情報処理Ⅲ
科目番号	220308	科目区分	専門 / 選択
授業形態	講義	単位の種別と単位数	履修単位: 2
開設学科	機械電子工学科（2018年度以前入学者）	対象学年	5
開設期	通年	週時間数	2
教科書/教材	教科書：(1)稲井寛，はじめての情報理論(第2版)，森北出版ISBN 978-4-627-84912-9 (2)［改訂新版］ITエンジニアのための機械学習理論入門，技術評論社，ISBN978-4-297-12233-1
担当教員	徳永 秀和

到達目標

(1)情報源符号化について，考え方や定理を説明でき，簡単な計算ができる。
(2)通信路符号化について，考え方や定理を説明でき，簡単な計算ができる。
(3)機械学習の様々なアルゴリズム（分類，回帰，クラスタリングなど）を説明できる。
(4)機械学習の様々なアルゴリズム（分類，回帰，クラスタリングなど）をPythonによって具体的なデータに適用できる。

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	情報源符号化において，重要な定理を説明でき一部導出の説明ができる，簡単な計算ができる。	情報源符号化において，重要な定理を説明でき，簡単な計算ができる。	情報源符号化において，重要な定理を説明でなく，簡単な計算ができない。
評価項目2	情報源符号化において，重要な定通信路符号化において，重要な定理を説明でき一部導出の説明ができる，簡単な計算ができる。	情報源符号化において，重要な定通信路符号化において，重要な定理を説明でき，簡単な計算ができる。	通信路符号化において，重要な定理を説明でなく，簡単な計算ができない。
評価項目3	機械学習の様々なアルゴリズムをの数式も使って詳しく説明できる。	機械学習の様々なアルゴリズムをの図を用いて簡単に説明できる。	機械学習の様々なアルゴリズムをの図を用いて簡単に説明できない。
評価項目4	機械学習の様々なアルゴリズムをPythonによって具体的なデータに適用でき，結果を深く考察できる。	機械学習の様々なアルゴリズムをPythonによって具体的なデータに適用できる。	機械学習の様々なアルゴリズムをPythonによって具体的なデータに適用できない。

学科の到達目標項目との関係

学習・教育到達度目標 B-(2) （自然科学の知識を機械システム分野へ応用する力を身につける。）

学習教育目標 B-2 （自然科学の知識を機械システム分野へ応用する力を身につける。）

教育方法等

概要:

確率を用いた情報理論の基礎を身につける。
機械学習の様々なアルゴリズムを教科書とPythonのプログラムによって理解する

※実務経験との関連
この科目は企業で情報システム開発を担当していた教員が，その経験を活かし，情報理論およびニューラルネットワークについて講義形式で授業を行うものである。

授業の進め方・方法:

教科書に基づいた講義を行う。
後期は一部でPythonのプログラムの実行により理解を深める。

注意点:

特になし。

授業の属性・履修上の区分

実務経験のある教員による授業

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、情報量，エントロピー，	情報量，エントロピー，を説明でき，簡単な計算ができる。
		2週	結合エントロピー，条件付きエントロピー	結合エントロピー，条件付きエントロピーを説明でき，基本的な例の計算ができる。
		3週	情報源符号化（無記憶情報源，瞬時符号）	無記憶情報源，瞬時符号を説明でき，簡単な計算ができる。
		4週	情報源符号化（クラフトの不等式）	クラフトの不等式を説明できる。
		5週	情報源符号化（平均符号長，効率，冗長度）	平均符号長，効率，冗長度を説明できる。平均符号長の下限の導出を説明できる。
		6週	情報源符号化（コンパクト符号化，情報源符号化定理）	コンパクト符号化，情報源符号化定理を説明できる。
		7週	符号化の例（モールス符号，シャノン符号，ファノ符号，ハフマン符号）	モールス符号，シャノン符号，ファノ符号，ハフマン符号を説明できる。
		8週	中間試験
	2ndQ
		9週	通信路（２元対称通信路，事前エントロピー，事後エントロピー，曖昧度，散布度）	２元対称通信路，事前エントロピー，事後エントロピー，曖昧度，散布度の計算ができる。
		10週	通信路（相互情報量，雑音のない通信路，確定的通信路）	相互情報量，雑音のない通信路，確定的通信路の説明ができる。
		11週	通信路（一様通信路，通信路容量）	一様通信路，通信路容量の説明ができる。
		12週	通信路符号化（判定規則，平均誤り率，最大事後判定規則，最大尤度判定規則，平均誤り率，伝送速度）	判定規則，平均誤り率，最大事後判定規則，最大尤度判定規則，平均誤り率，伝送速度を説明できる。
		13週	通信路符号化（ハミング距離，誤り検出・訂正，通信路符号化定理）	ハミング距離，誤り検出・訂正，通信路符号化定理の説明ができる。
		14週	線形符号	線形符号の仕組みを説明できる。
		15週	巡回符号	巡回符号通信路符号化の仕組みを説明できる。
		16週	期末試験
後期
	3rdQ
		1週	データサイエンスと機械学習。	データサイエンスとは何か，データサイエンスにおける機械学習の役割を説明できる。
		2週	実行環境，Pythonの基礎。	実行環境を理解し，Pythonの基礎を理解し，実行できる。
		3週	最小二乗法	最小二乗法により統計モデルの基礎について説明できる。Pythonによる例題の実行ができる。
		4週	最小二乗法	最小二乗法によりオーバーフィッテングについて説明できる。
		5週	最尤推定法	最尤推定法により確率を用いたモデルの役割を説明できる。Pythonによる例題の実行ができる。
		6週	パーセプトロン	パーセプトロンにより分類問題について説明できる。
		7週	パーセプトロン	パーセプトロンにより確率勾配法降下法や収束について説明できる。Pythonによる例題の実行ができる。
		8週	中間試験
	4thQ
		9週	試験返却解答，ロジスティック回帰	ロジスティック回帰を説明できる。
		10週	ROC曲線	ROC曲線による性能評価について説明できる。
		11週	k-平均法	k-平均法について説明できる。
		12週	k-平均法	k-平均法を画像データに適用できる。
		13週	EMアルゴリズム	EMアルゴリズムについて説明できる。
		14週	EMアルゴリズム	EMアルゴリズムを手書き文字分類問題に適用できる。
		15週	ベイズ推定	ベイズ推定について説明できる。ベイズ推定を回帰問題に適用できる。
		16週	期末試験

評価割合

	試験	発表	相互評価	態度	ポートフォリオ	その他	合計
総合評価割合	80	0	0	0	20	0	100
基礎的能力	60	0	0	0	15	0	75
専門的能力	20	0	0	0	5	0	25
分野横断的能力	0	0	0	0	0	0	0