岡山県立大学：シラバス

授業科目名（和文）［Course］	知識情報処理
授業科目名（英文）［Course］	Intelligent Information Processing
学部（研究科）［Faculty］	情報工学部
学科（専攻）［Department］	情報システム工学科
担当教員（○：代表教員） [Principle Instructor(○) and Instructors]	○菊井　玄一郎　　自室番号（2606）、電子メール（kikuicse.oka-pu.ac.jp） ※利用の際は, を @に置き換えてください
単位数［Point(Credit)］	2単位
対象学生［Eligible students］	3年次生
授業概略と目標［Course description and Objects］	人間の知的能力の一つは，過去の経験（データ）から一般則を導き出してうまく意思決定を行えることにある（学習あるいは適応と呼ばれる）．この講義では計算機に「学習」を行わせる（「機械学習」と呼ぶ）いくつかの方法について，それらの考え方の概略と背後のある考え方，応用について紹介する．
到達目標［Learning Goal］	１）計算機による学習の基本的な考え方，評価法を理解する２）データ，特徴量，特徴ベクトルなどの概念について理解する３）自動分類手法について理解する４）クラスタリング（特に分類との違い）について理解する５）系列データのラベル推定について理解する
履修上の注意［Notes］	・事前に与える課題は講義の前提になるので必ず解いてくること．・確率統計（特に，条件付き確率，検定）を復習しておくこと・プログラムを作って確認すると理解が進むので，ソフトウエア演習はクリアしていることが望ましい．
授業計画とスケジュール［Course schedule］	1. 概論：知識と推測 2. 特徴ベクトルと分類の初歩k-NN 3.サポートベクトルマシン(1)：識別（超）平面とマージン 4.サポートベクトルマシン(2)：ソフトマージン，カーネルトリック 5. 実験方法と評価尺度(精度，適合率，再現率，F値)： 6. 統計的分類の基礎：事後確率（条件付き確率）とナイーブベイズ 7. ナイーブベイズ（続き） 8. 復習・演習 9. 規則の学習：エントロピーと決定木 10.オンライン学習：パーセプトロン（１） 11.オンライン学習：パーセプトロン（２） 12.クラスタリング（１） 13.クラスタリング（２） 14. 次元圧縮 15. まとめ
成績評価方法と基準［Grading policy (Evaluation)］	宿題（レポート），期末試験，受講態度により総合的に判断する
教科書［Textbook］	教科書：なし.資料を配布する．参考書：涌井貞美，”図解・ベイズ統計「超」入門”, 主に確率的分類, サイエンス．・アイ新書, Softbankクリエイティブ, 2013. 石井健一郎ら，”わかりやすいパターン認識”，オーム社，1998.
自主学習ガイド及びキーワード［Self learning］	実際のデータに対してプログラムを動かして動作を確認することを強く勧める（一部はレポート課題として出題予定）．講義資料は　http://iis.cse.oka-pu.ac.jp/courses/kp/ にて公開予定（アクセス制限あり）
開講年度［Year of the course］	27
備考	より深い内容は大学院で学ぶ

授業科目名（和文）［Course］	知識情報処理
授業科目名（英文）［Course］	Intelligent Information Processing
学部（研究科）［Faculty］	情報工学部
学科（専攻）［Department］	情報システム工学科
担当教員（○：代表教員） [Principle Instructor(○) and Instructors]	○菊井　玄一郎　　自室番号（2606）、電子メール（kikuicse.oka-pu.ac.jp） ※利用の際は, を @に置き換えてください
単位数［Point(Credit)］	2単位
対象学生［Eligible students］	3年次生
授業概略と目標［Course description and Objects］	人間の知的能力の一つは，過去の経験（データ）から一般則を導き出してうまく意思決定を行えることにある（学習あるいは適応と呼ばれる）．この講義では計算機に「学習」を行わせる（「機械学習」と呼ぶ）いくつかの方法について，それらの考え方の概略と背後のある考え方，応用について紹介する．
到達目標［Learning Goal］	１）計算機による学習の基本的な考え方，評価法を理解する２）データ，特徴量，特徴ベクトルなどの概念について理解する３）自動分類手法について理解する４）クラスタリング（特に分類との違い）について理解する５）系列データのラベル推定について理解する
履修上の注意［Notes］	・事前に与える課題は講義の前提になるので必ず解いてくること．・確率統計（特に，条件付き確率，検定）を復習しておくこと・プログラムを作って確認すると理解が進むので，ソフトウエア演習はクリアしていることが望ましい．
授業計画とスケジュール［Course schedule］	1. 概論：知識と推測 2. 特徴ベクトルと分類の初歩k-NN 3.サポートベクトルマシン(1)：識別（超）平面とマージン 4.サポートベクトルマシン(2)：ソフトマージン，カーネルトリック 5. 実験方法と評価尺度(精度，適合率，再現率，F値)： 6. 統計的分類の基礎：事後確率（条件付き確率）とナイーブベイズ 7. ナイーブベイズ（続き） 8. 復習・演習 9. 規則の学習：エントロピーと決定木 10.オンライン学習：パーセプトロン（１） 11.オンライン学習：パーセプトロン（２） 12.クラスタリング（１） 13.クラスタリング（２） 14. 次元圧縮 15. まとめ
成績評価方法と基準［Grading policy (Evaluation)］	宿題（レポート），期末試験，受講態度により総合的に判断する
教科書［Textbook］	教科書：なし.資料を配布する．参考書：涌井貞美，”図解・ベイズ統計「超」入門”, 主に確率的分類, サイエンス．・アイ新書, Softbankクリエイティブ, 2013. 石井健一郎ら，”わかりやすいパターン認識”，オーム社，1998.
自主学習ガイド及びキーワード［Self learning］	実際のデータに対してプログラムを動かして動作を確認することを強く勧める（一部はレポート課題として出題予定）．講義資料は　http://iis.cse.oka-pu.ac.jp/courses/kp/ にて公開予定（アクセス制限あり）
開講年度［Year of the course］	27
備考	より深い内容は大学院で学ぶ