Machine Learning ｜ Syllabus data

Course Title

Machine Learning

Course Title in English

Machine Learning

Course Type

Major Courses

−

Eligible Students

School of Social Information Science

Target Grade

3Year

Course Numbering Code

KCJBS3MCA1

Credits

2.00Credits

The course numbering code represents the faculty managing the subject, the department of the target students, and the education category (liberal arts / specialized course). For detailed information, please download the separate manual from the upper right 'question mark'.

Type of Class

講義 (Lecture)

Eligible Year/Semester

Spring semester 2026

(Spring semester)

Instructor

川嶋宏彰

Affiliation

社会情報科学部

Language of Instruction

Japanese

Related SDGs

4／9

Office Hours and Location

講義後に教室、もしくはメールでアポを取り教員室にて

Contact

kawashima@gsis.u-hyogo.ac.jp

Corresponding Diploma Policy

A double circle indicates the most relevant DP number and a circle indicates the associated DP.

Corresponding Undergraduate School DP

3◎／1〇

Corresponding Graduate School DP

ー

Corresponding University-Wide DP

N/a

Academic Goals of Teacher Training Course

ー

Course Objectives and Learning Outcome

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。

Subtitle and Keywords of the Class

Course Overview and Schedule

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

In-person/Remote Classification

In-person

Implementation Method and Remote Credit Limit Application

・対面授業のみ
・遠隔授業単位上限の適用を受けない

Uses of Generative AI

Limited permission for use

Precautions for using Generative AI

生成AIの利用にあたっては『本学の教育における生成AIの取扱いについて(学生向け)』の記載内容について留意すること。生成AIの利用については担当教員の指示に従うこと。
教員が認める範囲を超えて生成AIを利用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。生成AIの出力した内容について、事実関係の確認や出典・参考文献を確認・追記することが重要である。また、生成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ならない。

Textbook

配布資料あり

References

荒木雅弘: Pythonではじめる機械学習, 森北出版 (2025)

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)

Contents and Estimated Time for Pre- and Post- Learning (Preparation and Review)

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

Contents of Active Learning

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。

Grading Criteria and Methods

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40％、定期試験60％を基準として総合的に評価する。

How to Disclose Assignments and Exam Results

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。

Precautions and Requirements for Course Registration

・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。

Practical Education

該当しない。

Remarks

In cases where any differences arise between the English version and the original Japanese version, the Japanese version shall prevail as the official authoritative version.