データサイエンスと人工知能1

科目基礎情報

学校	久留米工業高等専門学校	開講年度	令和06年度 (2024年度)
授業科目	データサイエンスと人工知能1
科目番号	4S24	科目区分	専門 / 必修
授業形態	講義	単位の種別と単位数	履修単位: 1
開設学科	制御情報工学科	対象学年	4
開設期	後期	週時間数	2
教科書/教材	Sebastian Raschka著，Python機械学習プログラミング，インプレス，その他配布資料
担当教員	松島 宏典

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

1 （制御情報分野に必要な、情報工学、通信ネットワーク、メカトロニクス、コンピュータ制御、および制御情報工学に関連した周辺技術に関連する基礎的な知識と技術を修得し、課題を解決するために活用できる。）

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

アクティブラーニング

ICT 利用

遠隔授業対応

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
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

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