Pattern Recognition and Machine Learning

Course Title

Course Title in English

Pattern Recognition and Machine Learning

Course Type

-

知能情報分野科目

Eligible Students

Graduate School of Engineering

Target Grade

1Year

Course Numbering Code

HETMA5MCA1

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

Teijiro Isokawa,Manabu Nii

Affiliation

工学研究科

Language of Instruction

Japanese

Related SDGs

9

Office Hours and Location

礒川　オフィスアワー：金曜日10:40~12:10，場所：姫路工学キャンパス 6204室 (メールによる事前連絡が望ましい)
新居　オフィスアワー：水曜日12:00~13:00，場所：姫路工学キャンパス 6206室 (メールによる事前連絡が望ましい)

Contact

礒川　isokawa@eng.u-hyogo.ac.jp
新居　nii@eng.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

ー

Corresponding Graduate School DP

1◎／2◎／3〇

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、現在の人工知能技術の中心的な手法である計算知能における各種計算手法の習得を目的とする。
そのため各種計算手法の原理を説明し、これらの計算手法（最尤推定、勾配法、クラスタリング、ニューラルネットワーク）による各種応用システム（画像処理、パターン認識、自然言語処理、制御システムなど）への適用手法を説明する。

到達目標
第一に、知能計算および学習、記憶、パターン認識などの情報処理を遂行する知能システムについて、これらの中心的役割を果たす確率・統計手法や情報量基準等の基本原理を説明できること。第二に、計算知能の応用システムについて説明し、基本的な計算知能システムを構築できること。

Subtitle and Keywords of the Class

サブタイトル
人工知能技術の中心的な手法である計算知能を学ぶ。

キーワード
ニューラルネットワーク、深層学習、自然言語処理、大規模言語モデル

Course Overview and Schedule

講義概要
本講義の前半では、計算知能および機械学習手法の基本を構成する最尤推定や勾配法についての数学的基礎ならびにそのパターン認識への応用について説明する。後半では、自然言語処理等の計算知能手法の適用方法について説明する。

講義計画
第１回：計算知能とはなにか（担当礒川、新居）
第２回：最尤推定に基づく数理モデル構成（担当礒川）
第３回：勾配法に基づくロジスティック回帰の定式化（担当礒川）
第４回：教師なし学習（クラスタリング）（担当礒川）
第５回：ニューラルネットワークと誤差逆伝播学習法（担当礒川）
第６回：ニューラルネットワークによるパターン認識（担当礒川）
第７回：再帰型ニューラルネットワーク（担当礒川）
第８回：機械学習におけるモデル評価（担当礒川）
第９回：深層学習（担当新居）
第１０回：深層学習応用（画像処理）（担当新居）
第１１回：深層学習応用（系列データ処理）（担当新居）
第１２回：自然言語処理（ベクトル空間モデル）（担当新居）
第１３回：自然言語処理（単語埋め込み）（担当新居）
第１４回：自然言語処理（大規模言語モデル）（担当新居）
第１５回：大規模言語モデル応用（担当新居）

In-person/Remote Classification

In-person

Implementation Method and Remote Credit Limit Application

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。

この授業においては、以下の範囲において、生成ＡＩの利用を許可し、これ以外の範囲での利用は禁止する。
生成ＡＩの利用については各担当担当教員の指示に従うこと。
各担当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。
また，各担当担当教員の許可なく講義資料の全部または一部を電子ファイルまたは画像等として生成ＡＩに入力することを禁止する。

(利用可の範囲)
利用許容範囲については、各担当担当教員より提示される条件に従うものとする。

Textbook

テーマごとに適宜資料を配布する。

References

1. ビショップ著、元田、栗田、樋口、松本、村田監訳、パターン認識と機械学習上・下、丸善出版、2012。
2. 後藤・小林共著，入門パターン認識と機械学習，コロナ社，2014
3. 岡﨑、荒瀬、鈴木、鶴岡、宮尾著、自然言語処理の基礎、オーム社、2022。
4. 山田監修、鈴木、山田、李著、大規模言語モデル入門、技術評論社、2023。

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

【事前学習】授業に際して事前配布する資料の事前読み込み（合計４時間）
【事後学習】レポート作成（合計１２時間）

Contents of Active Learning

実施しない。

Grading Criteria and Methods

定期試験は実施しない。講義の前半終了後および後半終了後のそれぞれにおいて、計算知能手法の実装ならびに評価に関するレポート課題を課し、計算知能手法に対する理解度を評価する(各50%)。
その理解度に基づき、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。

How to Disclose Assignments and Exam Results

レポートは優れた内容のものを講義の中で紹介しながら講評する。

Precautions and Requirements for Course Registration

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.

Syllabus data