Advanced Lecture for Machine Learning

Course Title

Course Title in English

Advanced Lecture for Machine Learning

Course Type

-

コース応用科目

Eligible Students

Graduate School of Information Science

Target Grade

1Year

Course Numbering Code

KIIMD5MCA1

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,山本岳洋

Affiliation

情報科学研究科

Language of Instruction

Japanese

Related SDGs

N/a

Office Hours and Location

講義後に教室、もしくは予約をしたうえで教員室にて

Contact

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

ー

Corresponding Graduate School DP

2◎／1〇

Corresponding University-Wide DP

N/a

Academic Goals of Teacher Training Course

ー

Course Objectives and Learning Outcome

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。

Subtitle and Keywords of the Class

Course Overview and Schedule

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
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．応用事例の紹介（自然言語処理）
１０．フィードバック授業
１１．畳み込みニューラルネット
１２．演習2
１３．生成モデル
１４．最尤推定
１５．発展的話題

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。

In-person/Remote Classification

Remote (Receiving Campus)

Implementation Method and Remote Credit Limit Application

当授業は、神戸商科キャンパスから同時配信により神戸情報科学キャンパスにも配信します。そのため、『対面・遠隔の別』欄では「遠隔」となっていますが、神戸商科キャンパスで受講する院生は「対面」授業となります。

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

適宜資料を配布する。

References

荒木雅弘: Pythonではじめる機械学習, 森北出版 (2025)
その他、授業中に適宜指示する。

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

講義の予習、復習、および演習でそれぞれ20h

Contents of Active Learning

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。

Grading Criteria and Methods

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（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％、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。

How to Disclose Assignments and Exam Results

レポートについて授業の中で解説もしくは講評を行う。

Precautions and Requirements for Course Registration

・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」に記載した該当箇所などについて、配布資料等を使って十分な予習・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）。

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