シラバス参照

授業情報／Course information

科目一覧へ戻る 2019/08/20 現在

授業基本情報
科目名（和文）
／Course		 知識情報処理
科目名（英文）
／Course		 Intelligent Information Processing
時間割コード
／Registration Code		 22230401
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
オフィスアワー
／Office Hour		 菊井　玄一郎(火曜５時限)
開講年度
／Year of the Course		 2017年度
開講期間
／Term		 後期
対象学生
／Eligible Students		 3年次生（平成27年度以前入学生）
単位数
／Credits		 2.0
授業概要情報
更新日
／Date of renewal		 2017/03/30
使用言語
／Language of Instruction		 日本語
オムニバス
／Omnibus		 該当なし
授業概略と目的
／Cource Description and Objectives		 この授業では，与えられたデータから計算機が知識を自動的に学習する「機械学習」と呼ばれる分野の基本的な方法を学ぶ．ここで知識とはデータの背後にある「規則性」のようなものを想像してもらうと良い． 機械学習は人工知能の一つの分野であり，数年前から大規模データ（いわゆるビッグデータ）を 扱うための基本技術として大きな注目を集めてきた（大量のデータからその背後にある「情報」「知識」を取り出す）． 最近になって「人工知能」が大きなブームになっているが，これは機械学習において非常に有望な方法が見つかった ためである．
機械学習は非常に多岐にわたる分野であるが，本講義ではその一番基本となる手法・考え方に ついて解説する．
履修に必要な知識・能力・キーワード
／Prerequisites and Keywords		 ・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．
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．
教科書
／Textbook(s)		 教科書：なし．資料を配布する．
参考文献等
／References		 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
／Expected Study Guide outside Coursework/Self-Directed Learning Other Than Coursework		 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）．
資格等に関する事項
／Attention Relating to Professional License
備考
／Notes
授業計画詳細情報
No. 単元（授業回数）
／Unit (Lesson Number)		 単元タイトルと概要
／Unit Title and Unit Description		 時間外学習
／Preparation and Review		 配布資料
／Handouts
1 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，合理論の立場から命題論理，一階述語論理について復習する．
2 2 [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．
3 3 [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．
4 4～5 [サポートベクトルマシン(SVM）]
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．２時間目はソフトマージン，カーネルトリックについて学ぶ．
5 6 [機械学習の評価尺度と実験方法]
機械学習システムの評価尺度である正解率，精度，適合率などを理解する．また開発する上で必要な実験手法について学ぶ．
6 7～8 [パーセプトロンとニューラルネット]
まず線形識別関数を学習する単純パーセプトロンを理解し，これを踏まえて多層パーセプトロンについて学ぶ．
7 9 [中間まとめ]
中間まとめを行う．またk最近傍法を理解する．
8 10 [ナイーブベイズ]
ナイーブベイズ手法を通して確率的分類の考え方を理解する．
9 11 [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．
10 12～13 [系列の学習]
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．
11 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．
12 15 [まとめ]
講義を振り返り，まとめる．
13 16 [定期試験]
筆記試験による期末試験を行う．
授業評価詳細情報
到達目標及び観点／Learning Goal and Specific Behavioral Viewpoints
No. 到達目標
／Learning Goal		 知識・理解
／Knowledge & Undestanding		 技能・表現
／Skills & Expressions		 思考・判断
／Thoughts & Decisions		 伝達・コミュニケーション
／Communication		 協働
／Cooperative Attitude
1 知的情報処理における知識獲得の位置づけと課題について理解している． ○ ○ ○
2 分類問題の代表的な手法を理解し，典型的な例題に対して適用できる． ○ ○ ○
3 狭義の分類問題に属さない機械学習の手法である「系列推定」，「クラスタリング」の手法を理解している． ○ ○ ○
成績評価方法と基準／Evaluation of Achievement
※出席は2/3以上で評価対象となります。
No. 到達目標
／Learning Goal		 定期試験
／Exam.		 ミニテスト 授業中の発言
1 知的情報処理における知識獲得の位置づけと課題について理解している． ○ ○ ○
2 分類問題の代表的な手法を理解し，典型的な例題に対して適用できる． ○ ○ ○
3 狭義の分類問題に属さない機械学習の手法である「系列推定」，「クラスタリング」の手法を理解している． ○ ○
評価割合（％）
／Allocation of Marks		 60 30 10

科目一覧へ戻る