機械学習特論 _ﾒﾃﾞｨｱ併用

Advanced Lecture for Machine Learning _ﾒﾃﾞｨｱ併用

ー

コース応用科目

情報科学研究科

1年

KIIMD5MCA1

2.0単位

講義 (Lecture)

2024年度前期

(Spring semester)

川嶋 宏彰、山本 岳洋

情報科学研究科

日本語

該当なし

講義後に教室、もしくは予約をしたうえで教員室にて

kawashima@gsis.u-hyogo.ac.jp
t.yamamoto@gsis.u-hyogo.ac.jp

ー

2◎／1〇

4-2◎／1-1〇

ー

講義目的：大量のデータから価値ある情報・パターンを自動的に抽出・学習し、予測や分類を行う機械学習について、各手法の考え方を理論的な仕組みとともに学ぶ。
到達目標：機械学習の基本的手法の基礎知識を身につけ、実データに対して応用できる。

I 講義内容
ロジスティック回帰、サポートベクターマシン、アンサンブル学習や最尤推定をはじめとする基本的手法や発展的手法、近年急速に発展している深層学習や強化学習の代表的手法を取り上げるとともに、画像や音声認識、自然言語処理などの各分野における応用例を広く紹介する。

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．機械学習を学ぶ上で
２．確率モデル
３．教師あり学習（線形回帰・ロジスティック回帰）
４．教師あり学習（決定木・SVM）
５．アンサンブル学習
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
９．リカレントニューラルネット・応用事例の紹介（自然言語処理）
１０．畳み込みニューラルネット
１１．演習2
１２．最尤推定
１３．生成モデル1（PCA・AE）
１４．生成モデル2（VAE・GAN）
１５．発展的話題

※ 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。

※ 当授業は神戸商科キャンパスから神戸情報科学キャンパスへ配信する授業形態であり、配信側となる神戸商科キャンパスの履修者は対面授業となるが、受信側となる神戸情報科学キャンパスの履修者は遠隔授業となる。なお、配信映像は両キャンパスに設置しているモニターに映し出される。

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)（生協等で購入する）
その他、適宜資料を配布する。

授業中に適宜指示する。

講義の予習、復習、および演習でそれぞれ20h

講義の内容を自ら演習できる教材を提供するとともに、演習回では教員への質問を通じて学習内容の定着を図る。

成績評価の基準：
機械学習の基礎的知識を理解するとともに実データへの応用方法を身につけた者に単位を授与する。講義目的・到達目標に記載する能力（知識・技能、思考力、判断力、表現力等）の到達度に応じてSからCまで成績を与える。

成績評価の方法：
レポート・小テスト40％、授業内試験60％を基準として、受講態度（積極的な質問等）を含めて総合的に評価する。

レポートについて授業の中で解説もしくは講評を行う。

・授業中に指示した宿題や事前・事後学習はもとより、「講義内容・授業計画」に記載したテキスト等の該当箇所などについて、十分な予習・復習をして講義に出席すること。
・一部の回では講義中にノートパソコンを持ち込む必要がある（講義中に指示を行う）。

該当しない