タイトル

時間割番号: 7022105101
AI・機械学習入門
 
担当教員
河本 薫, 今井 貴史[Kaoru Kawamoto, Takashi Imai]
開講学部等 データサイエンス学部 対象年次   単位数 2
開講時期 秋学期 開講曜時 水2 クラス  
ナンバリング DSST23
授業形態  
授業の目的と概要  
・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回ほどの理解度テスト@教室を予定しています。新型コロナの影響で教室で集合が難しくなった場合は、代替策としてレポート提出形式で理解度テストを行います。

(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。
 
授業の到達目標  
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。
 
授業計画  
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・事後学習など授業時間外の学習  
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。
 
成績評価の方法  
全3回の理解度テストの平均で成績評価を行う。
 
成績評価の基準  
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。
 
教科書  
 
参考書  
教材に関する補足情報  
 
参考文献一覧  
機械学習のエッセンス 加藤公一
 
履修上の注意事項  
 
キーワード(「実務経験のある教員による授業科目」は「実務経験」で検索)  
機械学習
 
備考(実務経験の内容と授業との関連を含む)  
 
参照ホームページ  
 
教員からの一言  
 
オフィスアワー  
 
連絡先(研究室他)  
 
連絡先(電話番号)  
 
連絡先(メールアドレス)  
 
ホームページ  
 
備考(教員情報)  
 
↑ページの先頭へ戻る