機械学習（社会情報・専門科目）

授業科目名

機械学習（社会情報・専門科目）

(英語名)

Machine Learning （社会情報・専門科目）

科目区分

専門教育科目

−

対象学生

社会情報科学部

学年

3年

ﾅﾝﾊﾞﾘﾝｸﾞｺｰﾄﾞ

KCJBS3MCA1

単位数

2.00単位

ナンバリングコードは授業科目を管理する部局、学科、教養専門の別を表します。詳細は右上の？から別途マニュアルをダウンロードしてご確認ください。

授業の形態

講義 (Lecture)

開講時期

2024年度前期

(Spring semester)

担当教員

川嶋宏彰

所属

社会情報科学部

授業での使用言語

日本語

関連するＳＤＧｓ目標

目標4／目標9

ｵﾌｨｽｱﾜｰ・場所

講義後に教室、もしくはメールでアポを取り教員室にて

連絡先

kawashima@gsis.u-hyogo.ac.jp

対応するディプロマ・ポリシー(DP)・教職課程の学修目標

二重丸は最も関連するDP番号を、丸は関連するDPを示します。

学部DP

3◎／1〇

研究科DP

ー

全学DP

ー

教職課程の学修目標

ー

講義目的・到達目標

講義目的：本講義では、機械学習の代表的アルゴリズムについて学ぶとともに、実データに適用するための基礎知識の習得を目的とする。

到達目標：教師あり学習による回帰や分類、教師なし学習、深層学習などの仕組みについて説明や記述できるようにする。手法を適切に選択、利用し、結果を正しく説明できるようにする。さらに、Pythonで機械学習を利用できるようにする。

授業のサブタイトル・キーワード

講義内容・授業計画

Ⅰ講義内容
本講義では、様々な問題を解くためのモデルを大量のデータから自動的に構築する手法である機械学習について概説する。教師あり（回帰と分類）、教師なし学習、ディープラーニング（深層学習）などの手法を学ぶとともに、実際のデータへの適用を通して、ハイパーパラメータのチューニング、転移学習、モデルの評価手法を含む機械学習の実践的な能力を身につけることを目指す。

Ⅱ授業計画
（各トピックは進行の目安であり多少の前後や他の話題の講義がある。）
１．機械学習の概要
２．確率モデル
３．教師あり学習（回帰モデル）
４．教師あり学習（分類モデル）
５．アンサンブル学習（集団学習）
６．演習1
７．ニューラルネットの基礎
８．ディープラーニング（深層学習）
９．演習2
１０．畳み込みニューラルネット
１１．演習3
１２．生成モデル
１３．系列データを扱うモデル
１４．強化学習
１５．まとめと発展的話題
定期試験

※ 生成系AI の利用については教員の指示に従うこと。生成系AI による出力結果をそのまま課題レポートとして提出してはいけない。生成系AI による出力をそのまま提出したことが判明した場合は単位を認定しない、又は認定を取り消すことがある。

教科書

配布資料あり

参考文献

荒木雅弘: フリーソフトではじめる機械学習入門　第２版, 森北出版 (2018)

八谷大岳: ゼロから作るPython機械学習プログラミング入門, 講談社 (2020)

平井有三: はじめてのパターン認識, 森北出版 (2012)

事前・事後学習（予習・復習）の内容・時間の目安

授業の予習 (5h)、復習やテスト勉強 (40h)、レポート課題 (15h)

予習：講義スライドの確認など、機械学習の周辺情報の検索など

復習：講義スライドの確認、宿題や練習問題の実施、講義で配布された補足資料の確認とコードの実行、機械学習の周辺情報の検索など

アクティブ・ラーニングの内容

毎回の授業では、内容に関連したPythonのプログラム（コード）を提示する。授業内容の復習を、スライドや練習問題だけでなく、コードの実行やその改変などを通じて各自が能動的に行うとともに、コミュニケーションツールによる質問を通じて、授業内容の定着を図る。

成績評価の基準・方法

成績評価の基準：

機械学習の基礎知識を理解し、実際に機械学習を利用できる者については、講義目的・到達目標に記載する能力の到達度に基づき、S（90点以上）, Ａ（80 点以上）, B（70 点以上）, C（60 点以上）による成績評価のうえ、単位を付与する。

成績評価の方法：

レポート・小テスト50％、定期試験50％を基準として総合的に評価する。

課題・試験結果の開示方法

小テストやレポートなどの解説を、授業中もしくは配布資料を通じて行う。

履修上の注意・履修要件

・毎回の講義ではノートPCを利用することがあるため持ち込むこと。
・履修にあたっては、「線形代数I」、「微積分I」、「確率・統計」、「プログラミングI」、「プログラミングII」、「データマイニング」を履修済みであることが望ましい。
・授業中に指示した宿題や事前・事後学習はもとより、十分な予習・復習をして講義に出席すること。

実践的教育

該当しない。

備考

英語版と日本語版との間に内容の相違が生じた場合は、日本語版を優先するものとします。

シラバス情報