到達目標
１．特徴抽出部に関して説明できる。
２．識別部に関して説明できる。
３．ベイズ決定則について説明できる。
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 | 特徴抽出部に関して容易に説明できる。 | 特徴抽出部に関して説明できる。 | 特徴抽出部に関して説明できない。 |
| 評価項目2 | 識別部に関して容易に説明できる。 | 識別部に関して説明できる。 | 識別部に関して説明できない。 |
| 評価項目3 | ベイズ決定則について容易に説明できる。 | ベイズ決定則について説明できる。 | ベイズ決定則について説明できない。 |
学科の到達目標項目との関係
教育方法等
概要:
コンピュータを用いたパターン認識について，基礎となる概念，原理，および応用的技術の習得を目的とする。
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:
点数分配：定期試験100%とする。
評価基準：60点以上を合格とする。
再試：再試を行う。
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
ベイズ統計学 |
ベイズ統計学が理解できる
|
| 2週 |
事前確率と事後確率 |
事前確率と事後確率が理解できる
|
| 3週 |
ベイズ決定則 |
ベイズ決定則が理解できる
|
| 4週 |
パラメータ推定 |
パラメータ推定が理解できる
|
| 5週 |
教師付き学習と教師なし学習 |
教師付き学習と教師なし学習が理解できる
|
| 6週 |
EMアルゴリズム |
EMアルゴリズムが理解できる
|
| 7週 |
マルコフモデル |
マルコフモデルが理解できる
|
| 8週 |
復習 |
1週～7週の内容が理解できている
|
| 2ndQ |
| 9週 |
隠れマルコフモデル |
隠れマルコフモデルが理解できる
|
| 10週 |
混合分布のパラメータ推定 |
混合分布のパラメータ推定が理解できる
|
| 11週 |
クラスタリング |
クラスタリングが理解できる
|
| 12週 |
ノンパラメトリックベイズモデル |
ノンパラメトリックベイズモデルが理解できる
|
| 13週 |
ディリクレ過程混合モデルによるクラスタリング |
ディリクレ過程混合モデルによるクラスタリングが理解できる
|
| 14週 |
共クラスタリング |
共クラスタリングが理解できる
|
| 15週 |
復習 |
9週～14週の内容が理解できている
|
| 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 |
| 専門的能力 | 分野別の専門工学 | 情報系 | ソフトウェア | アルゴリズムの概念を説明できる。 | 1 | |
| 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。 | 1 | |
| 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理解している。 | 1 | |
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 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 専門的能力 | 100 | 0 | 0 | 0 | 0 | 0 | 100 |
| 分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |