到達目標
1.主な機械学習手法を理解し、各手法について説明できる。
2.分類問題について理解し,説明できる。
3.次元削減について理解し,説明できる。
4.アンサンブル学習について理解し,説明できる。
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 | 主な機械学習手法を理解し,活用できる。 | 主な機械学習手法を理解し,説明できる。 | 主な機械学習手法を理解できない。 |
評価項目2 | 分類問題について理解し,活用できる。 | 分類問題について理解し,説明できる。 | 分類問題について理解できない。 |
評価項目3 | 次元削減について理解し,活用できる。 | 次元削減について理解し,説明できる。 | 次元削減について理解できない。 |
評価項目4 | アンサンブル学習について理解し,活用できる。 | アンサンブル学習について理解し,説明できる。 | アンサンブル学習について理解できない。 |
学科の到達目標項目との関係
教育方法等
概要:
機械学習とディープラーニングを幅広いタスクやデータセットに適用できるようになるために講義を実践する。始めに,主な機械学習手法について紹介し,随時,分類問題,データ前処理,次元削減,モデル評価,アンサンブル学習について取り扱う。Pythonによるプログラミングを通して,人工知能の基礎的な技術を身に付ける。
授業の進め方・方法:
講義演習形式で実施する。
注意点:
注意点:
(1)点数配分:定期試験100%とする。
(2)評価基準:60点以上を合格とする。
(3)再試:再試験を行う。60点以上を合格(60点)とする。
(4)準備学習:事前に予習を済ませておくこと。
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 |
後期 |
3rdQ |
1週 |
ガイダンス |
講義に取り組むためのPythonの環境を整え,実践することができる。
|
2週 |
パーセプトロン |
パーセプトロンについて理解し,演習を実践することができる。
|
3週 |
ADALINE |
ADALINEについて理解し,演習を実践することができる。
|
4週 |
ロジスティック回帰 |
ロジスティック回帰について理解し,演習を実践することができる。
|
5週 |
カーネルSVM |
カーネルSVMについて理解し,演習を実践することができる。
|
6週 |
ランダムフォレスト |
ランダムフォレストについて理解し,演習を実践することができる。
|
7週 |
k最近傍法 |
k最近傍法について理解し,演習を実践することができる。
|
8週 |
データ前処理ー前編ー |
欠損データへの対処やカテゴリーデータの処理について理解し,演習を実践することができる。
|
4thQ |
9週 |
データ前処理ー後編ー |
正則化等について理解し,演習を実践することができる。
|
10週 |
主成分分析 |
データ圧縮のため,主成分分析について理解し,演習を実践することができる。
|
11週 |
線形判別分析 |
データ圧縮のため,線形判別分析について理解し,演習を実践することができる。
|
12週 |
モデル評価 |
モデル性能評価のため,k分割交差検証について理解し,演習を実践することができる。
|
13週 |
パラメータチューニング |
パラメータチューニングのため,サーチングについて理解し,演習を実践することができる。
|
14週 |
アンサンブル学習ー前編ー |
多数決法,バギングについて理解し,演習を実践することができる。
|
15週 |
アンサンブル学習ー後編ー |
AdaBoostについて理解し,演習を実践することができる。
|
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 | 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 | 100 | 0 | 0 | 0 | 0 | 0 | 100 |
基礎的能力 | 20 | 0 | 0 | 0 | 0 | 0 | 20 |
専門的能力 | 80 | 0 | 0 | 0 | 0 | 0 | 80 |
分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |