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)］	後期　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，応用について学ぶ．
到達目標［Learning Goal］	１）機械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］	・授業中に適宜出題する課題は講義の前提となる知識を再確認するものであるから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・人工知能を履修していることが望ましい．・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・計算機で知識を扱うことについて改めて考える．合理論・経験論の違いについて触れ，まず，合理論の立場から命題論理について考える 2. 一階述語論理・一階述語論理の形式，推論方式について学ぶ 3. 経験論と機械学習の基礎・機械学習における基本概念であるモデルやパラメータ，教師信号（データ）について理解する．また，どうなれば学習したと言えるのかという評価法についても考える． 4. 特徴ベクトルと分類の初歩・ほとんどの機械学習においては与えられた情報（データ）をベクトル形式で表現する．このベクトル形式について分類処理との関係において理解する． 5.サポートベクトルマシン(SVM)(1)：・ベクトル空間におけ識別（超）平面およびマージンの概念について学び，SVMとはマージン最大化を行う手法であることを理解する． 6.サポートベクトルマシン(2)：・SVMのうちソフトマージン，カーネルトリックについて学ぶ 7. 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・統計の基本的な知識に基づいてナイーブベイズの式を導出する． 8. 復習・演習 9. ナイーブベイズ（続き）・ナイーブベースに関する例題を解きながら，手法に関する理解を深める． 10. 規則の学習：・情報理論（エントロピー）の復習を行ったのち，決定木について学ぶ． 11.オンライン学習：・オンライン学習手法の基本であるパーセプトロンについて学ぶ． 12.系列の学習(1) ・系列データに対するラベル推定というタスクとこれを推定する手法を説明する 13.系列の学習(2) ・系列ラベルを効率的に推定する手法であるviterbiアルゴリズムについて学ぶ 14. クラスタリング・教師なし分類という概念について学び，クラスタリング手法のうち，bottom-upクラスタリング，k-means法について理解する 15. まとめ
成績評価方法と基準［Grading policy (Evaluation)］	受講態度（宿題，積極性）(40%)，定期試験(60%)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. 谷口忠大：イラストで学ぶ人工知能概論, 講談社. 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］	28
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)］	後期　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，応用について学ぶ．
到達目標［Learning Goal］	１）機械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］	・授業中に適宜出題する課題は講義の前提となる知識を再確認するものであるから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・人工知能を履修していることが望ましい．・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・計算機で知識を扱うことについて改めて考える．合理論・経験論の違いについて触れ，まず，合理論の立場から命題論理について考える 2. 一階述語論理・一階述語論理の形式，推論方式について学ぶ 3. 経験論と機械学習の基礎・機械学習における基本概念であるモデルやパラメータ，教師信号（データ）について理解する．また，どうなれば学習したと言えるのかという評価法についても考える． 4. 特徴ベクトルと分類の初歩・ほとんどの機械学習においては与えられた情報（データ）をベクトル形式で表現する．このベクトル形式について分類処理との関係において理解する． 5.サポートベクトルマシン(SVM)(1)：・ベクトル空間におけ識別（超）平面およびマージンの概念について学び，SVMとはマージン最大化を行う手法であることを理解する． 6.サポートベクトルマシン(2)：・SVMのうちソフトマージン，カーネルトリックについて学ぶ 7. 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・統計の基本的な知識に基づいてナイーブベイズの式を導出する． 8. 復習・演習 9. ナイーブベイズ（続き）・ナイーブベースに関する例題を解きながら，手法に関する理解を深める． 10. 規則の学習：・情報理論（エントロピー）の復習を行ったのち，決定木について学ぶ． 11.オンライン学習：・オンライン学習手法の基本であるパーセプトロンについて学ぶ． 12.系列の学習(1) ・系列データに対するラベル推定というタスクとこれを推定する手法を説明する 13.系列の学習(2) ・系列ラベルを効率的に推定する手法であるviterbiアルゴリズムについて学ぶ 14. クラスタリング・教師なし分類という概念について学び，クラスタリング手法のうち，bottom-upクラスタリング，k-means法について理解する 15. まとめ
成績評価方法と基準［Grading policy (Evaluation)］	受講態度（宿題，積極性）(40%)，定期試験(60%)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. 谷口忠大：イラストで学ぶ人工知能概論, 講談社. 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］	28
備考	より深い内容は大学院で学ぶ