学務情報システム

シラバス参照

科目名/Subject		機械学習アルゴリズム概論

曜日・講時・教室/Day/Period/Place		後期月曜日５講時川北キャンパスＡ２００

科目群/Categories		全学教育科目展開科目-カレントトピックス科目

単位数/Credit(s)		2

対象学部/Object		全

担当教員(所属) /Instructor (Position)		鈴木　顕　所属：情報科学研究科

開講期/Term		2/4/6/8セメスター

科目ナンバリング /Course Numbering		ZDG-OAR802J

使用言語 /Language Used in Course		日本語

授業題目
/Class
Subject

機械学習アルゴリズム概論
Introduction to algorithms for machine learning

授業の
目的と概要
/Object and
Summary
of Class

目的：
機械学習で使用されるアルゴリズムについて学び，理解を深める．

概要：
機械学習は世界的に着目されており，既存のライブラリ等を使用すれば誰でも簡単に機械学習ができるようになりました．では，そのライブラリの中では実際にどのような計算が行われているのでしょうか？本授業では，機械学習をより良く利用する上で重要な，いくつかのアルゴリズムを学びます．

Object:
In this course, students will learn about several algorithms used in machine learning.

Summary:
Machine learning becomes an increasingly important topic of artificial intelligence. There exist many machine learning libraries which are used by not only experts but also beginners. So what kinds of algorithms are actually performed in that library? In this course, students will learn several algorithms that are important for making better use of machine learning.

学修の
到達目標
/Goal of
Study

機械学習のアルゴリズムを身に着けることで，既存のライブラリを使用した受身の機械学習を脱却し，より高度な機械学習の技術を習得する．

By improving machine learning algorithms, students will get over "passive" machine learning using libraries, and acquire more advanced machine learning techniques.

授業内容・
方法と
進度予定
/Contents
and
Progress
Schedule
of the Class

１．機械学習とアルゴリズム
２．分類１（パーセプトロン）
３．分類２（サポートベクトルマシン）
４．回帰１（線形回帰）
５．回帰２（ロジスティック回帰）
６．決定木とランダムフォレスト
７．クラスタリング１（階層的手法）
８．クラスタリング２（非階層的手法）
９．自然言語処理（形態素解析）
１０．検証１（ホールドアウトと交差）
１１．検証２（精度と再現率）
１２．ニューラルネットワーク（CNNとRNN）
１３．強化学習１（モンテカルロ法）
１４．強化学習２（Q学習）
１５．まとめ

1. Machine learning and algorithms
2. Classify 1 (perceptron)
3. Classify 2 (support vector machine)
4. Regression 1 (linear regression)
5. Regression 2 (logistic regression)
6. Decision tree and random forest
7. Clustering 1 (hierarchical method)
8. Clustering 2 (non-hierarchical method)
9. Natural language processing (morphological analysis)
10. Validation 1 (hold out and cross validation)
11. Validation 2 (accuracy and sensitivity)
12. Neural network (CNN and RNN)
13. Reinforcement learning 1 (Monte Carlo method)
14. Reinforcement learning 2 (Q-learning)
15. Summarization

成績評価
方法
/Evaluation
Method

授業内演習50％，レポート課題50％．

Short tests 50%, submitted reports 50%.

教科書
および
参考書
/Textbook
and
References


No	書名	著者名	出版社	出版年	ISBN/ISSN	資料種別

1.	『機械学習アルゴリズム』	鈴木顕	共立出版	2021		教科書

2.	『Python機械学習プログラミング』	Sebastian Raschka	株式会社インプレス	2016	978-4-8443-8060-3	参考書

3.	『Pythonによる機械学習入門』	株式会社システム計画研究所	株式会社オーム社	2016	978-4-274-21963-4	参考書

4.	『Pythonで学ぶ統計的機械学習』	金森敬文	オーム社	2018	978-4274223051	参考書

5.	『データサイエンス教本』	橋本洋志，牧野浩二	オーム社	2018	978-4274222900	参考書

6.	『深層学習』	岡谷貴之	講談社	2015	978-4061529021	参考書

7.	『機械学習&ディープラーニングのしくみと技術がこれ1冊でしっかりわかる教科書』	株式会社アイデミー	技術評論社	2019	978-4297106409	参考書

8.	『強化学習』	Richard S.Sutton，Andrew G.Barto	森北出版	2000	978-4627826618	参考書

関連ＵＲＬ
/ＵＲＬ

授業時間外
学修
/Preparation
and Review

授業時間は限られているので，自主学習が重要になる．教科書やアップロードされる講義ノートを確認し，予習・復習することを推奨する．また，必要に応じて宿題も課す．

The session time is limited and therefore self-directed learning is important. Students should be required preparetions and reviews using a textbook and lecture notes. Some assignments will be provided when needed.

実務・
実践的授業
/Practical
business
※○は、
実務・実践的
授業であるこ
とを示す。
/Note:"○"
Indicates
the practical
business

その他
/In Addition

数学・プログラミングの知識は必要ない．
授業中いつでも質問することが出来る．メールでの質問も随時受け付ける．

Math and programming skills are not required.
Questions are accepted at any time in class. Students also can e-mail their questions.

１単位の授業科目は、４５時間の学修を必要とする内容をもって構成することを標準としています。１単位の修得に必要となる学修時間の目安は、「講義・演習」については１５～３０時間に授業および授業時間外学修（予習・復習など）３０～１５時間、「実験、実習及び実技」については３０～４５時間の授業および授業時間外学修（予習・復習など）１５～０時間です。
One-credit courses require 45 hours of study. In lecture and exercise-based classes, one credit consists of 15-30 hours of class time and 30-15 hours of preparation and review outside od class. In laboratory, practical skill classes, one credit consists of 30-45 hours of class time and 15-0 hours of preparation and review outside of class.