教員免許取得のための必修科目

授業の目的

データから予測モデルを学習して様々な問題を解くことに利用する機械学習は、データサイエンスの全ての分野において必須の技術である。本講義では、機械学習の基本的な考え方や理論について学ぶ。

教育内容

まず、機械学習とはどんなものかのイメージを掴むために、機械学習における基本的な概念（学習、予測、汎化能力、過学習、判別、回帰など）について学ぶ。次に、様々な機械学習モデル（線形モデル、ロジスティック回帰、ニューラルネットワーク、カーネル法、決定木をもちいた手法など）について学ぶ。また、機械学習を使用する際に注意すべき点として、予測精度を適切に評価するための方法や、過学習を防ぐための方法について学ぶ。さらに、機械学習と確率的推論の関係について学ぶ。最後に、クラスタリングや次元削減などの教師なし学習について学ぶ。

教育方法

パワーポイントによる講義形式で進める。パワーポイント資料は講義前にホームページ等で配布する。毎回の講義では、理解度確認のために基礎的な内容の課題を出題する。また、数回の講義ごとに、応用的な内容のレポート課題を出題する。最後に、講義全体の内容を出題範囲として試験を行う。
講義内課題、レポート課題については、提出後に模範解答を配布して解説を行う。試験については、採点後に講評を行う。

卒業・学位授与の方針と当該科目の関連

DP5

授業内容(シラバス)

到達目標

機械学習とはどんなものかのイメージを掴み、基本的な概念を理解できる。様々な機械学習手法の理論を理解できる。予測精度の評価や過学習など、機械学習を使用する際に注意すべきことを理解できる。

評価方法

講義内で出題する課題（30％）、レポート課題（35％）、試験（35％）の合計で評価する。

準備学習(予習・復習等)

【講義時間外に必要な学修時間：60時間】
予習：事前に配布する講義資料を読み、疑問点を明確にしておくこと。
復習：レポート課題の解答を作成し、提出後に配布する模範解答との比較・考察を行うこと。

備考・その他

講義に関する質問はメールや対面にて受け付ける。
【科目ナンバリング：FU201-CF02】
【関連科目：データ解析とその数理Ⅰ・Ⅱ、確率の数理、線形代数、線形代数演習】
　※線形代数、線形代数演習については、選択科目だが履修することを推奨する。

実務経験の授業への活用方法

（齋藤）国立研究所での人工知能技術の開発経験をもとに、人工知能・機械学習について講義する。
（来見田）国立研究所における生命科学データの研究開発経験をもとに、人工知能・機械学習の講義を行う。

教材