・本講義は、初回も含めて、ハイブリッド授業（対面＋同時双方向）で行います。
但し、教室では、講義本体については事前録画したものを放映し、そののち、要点まとめと質疑応答を口頭で行います。
・また、講義中に、3～4回ほどの理解度テスト＠教室を予定しています。
・初回のzoom URL
https://shiga-u-ac-jp.zoom.us/j/84710193205?pwd=cmhnM1EyRHdVR1ZjZ1ZoMUhqQUZ3Zz09
ミーティングID: 847 1019 3205
パスコード: 298118
（目的）「機械学習」というと、数学理論に基づいた様々な手法があり、それらを丁寧に説明する数式だらけの参考書に学ぶハードルを感じるかもしれない。そういった個別の手法を1つずつしっかり学ぶ「枝から攻める学び方」ではなく、機械学習とはそもそも何なのかから学ぶ「幹から攻める学び方」をすれば、ハードルは下がる。本講義の目的は、これから機械学習を学んでいくにあたり、機械学習の幹を教えることで、機械学習を深く学んでいく素地を作ることである。
（概要）様々な種類の手法を網羅的に教えることではなく、代表的な機械学習の手法に絞ることで、機械学習の本質を教えることに力点を置く。①アルゴリズムや評価指標、過学習問題、それを抑制するモデルといった機械学習の骨格、②回帰、分類、クラスタリング、レコメンデーションそれぞれにおける基本手法、③機械学習プロジェクトの進め方について、教授する。
|
|
|
1. 過学習とそれを抑制するモデルを理解する。
2. 回帰問題の基本的機械学習アルゴリズムを理解し、その評価指標を理解する。
3. 分類問題の基本的機械学習アルゴリズムを理解し、その評価指標を理解する。
4. クラスタリングおよびレコメンデーションの基本手法を理解する。
5. 機械学習プロジェクトの進め方を理解する。
|
|
|
1. 機械学習とは何なのか？
2. 線形問題における機械学習のアルゴリズム
3. 機械学習の過学習問題と誤差評価
4. 過学習を抑制するモデル
5. ノンパラメトリックモデル
6. 分類問題
7. ロジスティック回帰の過学習問題とそれを抑制するモデル
8. 多値分類への応用
9. ニューラルネットワーク
10. 決定木
11. アンサンブル学習（ランダムフォレスト、勾配ブースティング）
12. クラスタリング
13. テキストデータのクラスタリング
14. レコメンデーション
15. まとめと今後の学習
|
|
|
＜事前学習＞
本講義の理解には、線形代数と微積分の知識が必須です。受講までに、これら知識について身につけてください。
＜事後学習＞
講義において、理解を深めるためにPythonで書かれたデモプログラムを紹介します。それを復習してコーディングを理解してください。また、各講義は、講義時間中では十分に理解できません。全3回の理解度テスト（レポート形式）で合格点をとるには、講義で配布したレジュメをしっかりと復習することが重要です。
|
|
|
|
|
|
各回理解度テストについては、機械学習を正しく使えるレベルで80点、数学的に正しく理解できているレベルで100点となるように評価する。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|