概要:
パターン認識の概念をよく理解するとともに，プログラムによる実行例など，実際に応用する際にも役立つ内容について学習する。
実務経験のある教員による授業科目：この科目は企業で画像認識の研究を行っていた教員の経験を活かし，ベイズ統計学などについて輪講形式で授業を行うものである。
授業の進め方・方法:
輪講形式に基づいて講義を行う。担当箇所は十分に理解して発表すること。また，講義中は積極的に質問すること。
注意点:
（1）点数分配：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：60点以上を合格（60点）とする。
（4）準備学習：特に担当箇所については，事前に予習を済ませて十分に理解して発表すること。
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
ガイダンス |
輪講担当について割り振りする。
|
| 2週 |
はじめに |
パターン認識とは，特徴の型，特徴ベクトル空間と次元の呪いについて理解する。
|
| 3週 |
識別規則と学習法の概要
|
識別規則と学習法の分類，汎化能力について理解する。
|
| 4週 |
ベイズの識別規則 |
ベイズの識別規則，受信者動作特性曲線について理解する。
|
| 5週 |
確率モデルと識別関数 |
観測データの線形変換，確率モデル，確率モデルパラメータの最尤推定について理解する。
|
| 6週 |
k最近傍法 |
最近傍法とボロノイ境界，kNN法，kNN法とベイズ誤り率，kNN法の計算量とその低減法について理解する。
|
| 7週 |
線形識別関数 |
線形識別関数の定義，最小2乗誤差基準によるパラメータの推定，線形判別分析，ロジスティック回帰について理解する。
|
| 8週 |
パーセプトロン型学習規則 |
パーセプトロン，誤差逆伝搬法，誤差逆伝搬法の学習特性について理解する。
|
| 2ndQ |
| 9週 |
サポートベクトルマシン |
サポートベクトルマシンの導出，線形分離可能でない場合への拡張，非線形特徴写像，サポートベクトルマシン，クラスサポートベクトルマシンについて理解する。
|
| 10週 |
部分空間法１ |
部分空間，主成分分析，特異値分解について理解する。
|
| 11週 |
部分空間法２ |
部分空間法，カーネル主成分分析，カーネル部分空間法について理解する。
|
| 12週 |
クラスタリング１ |
類似度と非類似度，非階層型クラスタリング(K-平均法)について理解する。
|
| 13週 |
クラスタリング２ |
階層型クラスタリング(融合法)，確率モデルによるクラスタリングについて理解する。
|
| 14週 |
識別器の組み合わせによる性能強化１ |
ノーフリーランチ定理，決定木，バギングについて理解する。
|
| 15週 |
識別器の組み合わせによる性能強化２ |
アダブースト，ランダムフォレストについて理解する。
|
| 16週 |
|
|
| 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 |
| 専門的能力 | 分野別の専門工学 | 情報系分野 | ソフトウェア | アルゴリズムの概念を説明できる。 | 3 | 前1,前2,前3,前4,前5,前6,前7,前8,前9,前10,前11,前12,前13,前14,前15 |
| 与えられたアルゴリズムが問題を解決していく過程を説明できる。 | 3 | 前1,前2,前3,前4,前5,前6,前7,前8,前9,前10,前11,前12,前13,前14,前15 |
| 同一の問題に対し、それを解決できる複数のアルゴリズムが存在しうることを説明できる。 | 3 | 前1,前2,前3,前4,前5,前6,前7,前8,前9,前10,前11,前12,前13,前14,前15 |