| 英文名 | Introduction to Artificial Intelligence and Machine Learning | |
|---|---|---|
| 科目概要 | データサイエンス学科２年後期、２群科目、必修、講義、2単位 |
|
| 科目責任者 | 齋藤 裕 | |
| 担当者 | (※は実務経験のある教員) 齋藤 裕※、 |
|
| 講義室 | ||
| 科目 | 教科及び教科の指導法に関する科目（高等学校 情報） |
|---|---|
| 各科目に含めることが必要な事項 |
|
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。
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。
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。
DP5
| 回 | 項目 | 内容 | 担当者 | 日時 |
|---|---|---|---|---|
| 1 | 機械学習ってなに？ | 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。 | 齋藤 裕 |
9/10③ |
| 2 | 線形モデル | この回から数回にわたって、様々な機械学習モデルについて学んでいく。まず、シンプルな機械学習モデルである線形モデルの理論について学ぶ。 | 齋藤 裕 |
9/17③ |
| 3 | ロジスティック回帰 | ロジスティック回帰の理論について学ぶ。 | 齋藤 裕 |
9/24③ |
| 4 | ニューラルネットワーク1 | ニューラルネットワークの理論を理解するために、ネットワークをもちいたモデルの表現や活性化関数について学ぶ。 | 齋藤 裕 |
10/1③ |
| 5 | ニューラルネットワーク2 | ニューラルネットワークの代表的な学習方法である誤差逆伝播について学ぶ。 | 齋藤 裕 |
10/8③ |
| 6 | カーネル法1 | カーネル法の理論を理解するために、カーネル関数について学ぶ。また、カーネル法にもとづく代表的な機械学習モデルであるサポートベクターマシンについて学ぶ。 | 齋藤 裕 |
10/15③ |
| 7 | カーネル法2 | 配列やグラフなどの構造化データを扱うためのカーネル関数について学ぶ。 | 齋藤 裕 |
10/22③ |
| 8 | 決定木にもとづく手法1 | 決定木にもとづく手法の理論を理解するために、木をもちいたモデルの表現や、決定木を構築するためのアルゴリズムについて学ぶ。 | 来見田 遥一 |
10/29③ |
| 9 | 決定木にもとづく手法2 | 複数の決定木からなる手法（ランダムフォレスト、他）について学ぶ。 | 来見田 遥一 |
11/5③ |
| 10 | 予測精度の適切な評価 | 予測精度を適切に評価するための方法として、交差検定やハイパーパラメータの取り扱いについて学ぶ。 | 来見田 遥一 |
11/19③ |
| 11 | 過学習の防止 | 過学習を防ぐための方法として、正則化やモデル選択について学ぶ。 | 齋藤 裕 |
11/26③ |
| 12 | 機械学習と確率的推論の関連 | 機械学習と確率的推論の関連を理解するために、予測と最尤推定の関係や、正則化と事前確率分布の関係について学ぶ。 | 齋藤 裕 |
12/3③ |
| 13 | 教師なし学習1 | 教師なし学習とはなにか、これまでに学んできた教師あり学習との違いについて理解する。代表的な教師なし学習手法であるクラスタリングについて学ぶ。 | 齋藤 裕 |
12/10③ |
| 14 | 教師なし学習2 | 次元削減（主成分分析、他）について学ぶ。 | 齋藤 裕 |
12/17③ |
| 15 | まとめ | 全体の確認と復習を行う。 | 齋藤 裕 |
12/24③ |
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。
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。
【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。
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。
（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。
| 種別 | 書名 | 著者・編者 | 発行所 |
|---|---|---|---|
| 教科書 | 配布資料あり | ||
| 参考書 | パターン認識と機械学習（上） | C.M.ビショップ（著）、元田浩ら（訳） | 丸善出版 |
| 参考書 | パターン認識と機械学習（下） | C.M.ビショップ（著）、元田浩ら（訳） | 丸善出版 |