授業の形態
|
講義
|
|
アクティブラーニング
|
学生が自身の考えを発表する、学生が文献や資料を調べる
|
|
授業内容と方法
|
機械学習:Machine Learningとは、人間が行う学習の仕組みを機械(コンピュータ)で実現する技術・手法の総称である。社会の情報化に伴い大量のデータが様々な形式で蓄積されるようになった。データから統計的に法則性を導き出し判断や予測といった高度な情報処理を実現する機械学習は、現在のAIブームを牽引する重要な技術である.機械学習はその特性から、教師あり学習、教師なし学習、強化学習に大別される。機械学習エンジニアはこれらのアルゴリズムの特性を理解し、どのようなインプットからどのようなアウトプットを得るかをデザインし、適切なアルゴリズムを選択し、必要なデータセットを準備し、機械学習モデルを実装することが求められる。
この講義では, ・機械学習の基本的な概念を概説し、 ・必要なデータの前処理を解説し、 ・いくつかの重要な機械学習アルゴリズムについて議論し、 ・学習モデルの評価について検討し、 ・予測や分類などの応用について考察する。
授業は,座学と演習、演習結果のプレゼン及び討論を交えながら進める。
|
|
URGCC学習教育目標
|
問題解決力、専門性
|
|
達成目標
|
機械学習の基本的アルゴリズムを理解しその内容が説明できる。 機械学習モデルの実装と評価を実践できる。
学習教育目標(E)専門性の力を養う。
|
|
評価基準と評価方法
|
講義中に出題されるミニレポート(30%)と機械学習に関する課題(70%)の結果を総合して判定する.
課題は機械学習ライブラリを活用したモデルの構築に関するもので、レポート作成とそれに関するプレゼンテーション及び質疑を貸す。
|
|
履修条件
|
本コースで提供している講義、「人工知能」の履修を終えていることが望ましい。
|
|
授業計画
|
第1回 (4/9) ガイダンス:登録とシラバス説明 第2回 (4/16) パーセプトロンと分類問題 第3回 (4/23) ロジスティック回帰とSVM 第4回 (5/7) 決定木 第5回 (5/14) データ前処理 第6回 (5/21) 次元削減でデータを圧縮する 第7回 (5/28) データコンペティションについて:Kaggle , SIGNATE 第8回 (6/4) 課題の実習 第9回 (6/11) モデルの評価とハイパーパラメータチューニング 第10回 (6/18) アンサンブル学習 第11回 (6/25) 回帰分析 第12回 (7/2) クラスタ分析 第13回 (7/9) ニューラルネットワーク 第14回 (7/16) 畳み込みニューラルネットワーク 第15回 (7/23) AIエンジニアもしくは機械学習エンジニアとは?
|
|
事前学習
|
教科書の対象範囲について事前に目を通しておくこと。 演習の回の前には、ライブラリのインストールやソースコードのコンパイルなど計算環境準備を課すことがある。
|
|
事後学習
|
座学で示した内容のミニレポートを課すことがある。 また、演習の進捗を確認し、不足分を補っておくこと。
|
|
教科書にかかわる情報
|
|
9784295003373
|
Impress top gear
|
Sebastian Raschka, Vahid Mirjalili著 ; クイープ訳
|
インプレス
|
2018
|
|
|
|
|
教科書全体備考
|
指定したテキストは2018年出版の第二版です。2016年の初版更からかなり更新されているので間違えのないように。 第七回に関連したサイト https://signate.jp/ https://www.kaggle.com/
|
|
参考書にかかわる情報
|
|
978-4-87311-758-
|
|
斎藤康毅 著,
|
オライリー・ジャパン
|
2016
|
|
|
9784798144986
|
|
伊藤真著
|
翔泳社
|
2018
|
|
|
9784798156712
|
AI & Technology
|
石井大輔著
|
翔泳社
|
2018
|
|
|
|
|
参考書全体備考
|
AIエンジニア向けコミュニティサイト https://www.kaggle.com/
|
|
使用言語
|
日本語
|
|
メッセージ
|
|
|
オフィスアワー
|
月2限,水2限 ほか、メールでのアポイントにより個別対応する。
|
|
メールアドレス
|
この項目は教務情報システムにログイン後、表示されます。
|
|
URL
|
|
|
|