前期 金曜日 ５講時 情報教育実習室 Ｍ１０５. 単位数/Credit(s): 2. 担当教員(所属)/Instructor (Position): 栗林 稔 所属：データ駆動科学・AI教育研究センター. 対象学部/Object: 全. 開講期/Term: 1/3/5/7セメスター. 科目群/Categories: 全学教育科目先進科目-情報教育. 履修年度: 2024. 科目ナンバリング/Course Numbering: ZAC-OIN803J. 使用言語/Language Used in Course: 日本語.
○
各学部の履修内規または学生便覧を参照。
実践的機械学習Ⅰ
Practical Machine Learning I
「人工知能」を支える基盤技術の一つである機械学習について学ぶ．
線形分類器やサポートベクトルマシン，決定木，ニューラルネットワークなどについて，サンプルコードを動かしながらその動作を確認し，プログラムの処理の流れを理解できるようにする．
The purpose of this course is to study Machine Learning, an important sub-area of Artificial Intelligence. This course is designed to help students understand some key technologies such as linear classifiers, support vector machines, decision trees and neural networks, through the process of running sample codes and developing Python programs.
機械学習の基礎的な知識を身に付けると同時に，データ処理の技術も身に付ける．Python言語で基本的な処理プログラムが書けるようになり，標準的なライブラリの使い方がわかるようになる．
Students will acquire basic knowledge on machine learning and basic skills on data processing.
Students will be also able to read and write Python programs and modules.
Google Classroom によってオンライン配信する動画教材を中心にして，Google Colaboratory を用いた演習を行いながら授業を進めていく．
授業計画
1. イントロダクション，演習の準備と環境構築 (オンラインでのリアルタイム講義)
2. 配列データの扱い (オンラインでのリアルタイム講義)
3. 分類問題とデータ処理：アヤメの分類問題と手書き数字の認識問題
4. 特徴量を1つ使った2クラス分類
5. 特徴量を2つ使った2クラス分類とscikit-learnの分類器
6. scikit-learn 準拠の分類器の作成
7. 分類器の評価と汎化性能
8. 多クラス分類問題と可視化
9. 手書き数字の認識と次元削減
10. 機械学習アルゴリズム：k近傍法
11. 機械学習アルゴリズム：決定木
12. 機械学習アルゴリズム：サポートベクトルマシン
13. 機械学習アルゴリズム：アンサンブル法
14. 機械学習アルゴリズム：ニューラルネットワーク
15. まとめ
オンライン授業動画ならびに資料はGoogle Classroomにて公開する.
Google Classroom クラスコード: rejxndj
This is a practice-centered course, using Google Colaboratory. Teaching materials are provided via Google Classroom.
The contents and schedule are as shown below.
1. Introduction and preparation (Online real-time lecture)
2. Handing array data (Online real-time lecture)
3. Classification and data processing: classifying Iris Species and recognizing hand-written digits
4. Binary classification with single feature
5. Binary classification with two features, and using built-in classifiers in Scikit-learn
6. Developing our own custom Scikit-learn-compliant classifiers
7. Evaluation and generalization performance of classifiers
8. Multi-class classification and visualization
9. Recognition of hand-written digits and dimension reduction
10. Machine learning algorithms: k-nearest neighbors
11. Machine learning algorithms: decision trees
12. Machine learning algorithms: support vector machines
13. Machine learning algorithms: ensemble methods
14. Machine learning algorithms: neural networks
15. Concluding remarks
Online class videos and materials will be made available on Google Classroom.
Google Classroom Class Code: rejxndj
各演習の提出課題で評価する．
Evaluation is performed comprehensively based on the progress of exercises.
Google Classroomで配信されるビデオ教材を視聴しながら，演習問題を解いて毎回提出する必要がある．
Students are required to watch video teaching materials provided via Google Classroom, and submit class assignments every time.
動画を視聴しながら操作するパソコンが手元に必要である．初回授業から使用する．
Bring your own computer to class every time, from the beginning.
Python言語に対する前提知識は必要としないが，基本的なパソコンの操作（キーボード入力やファイル操作等）には慣れていることが望ましい．必要に応じて Pythonの基本も補足しながら進めていくが，進度が速いので積極的な取り組みを期待する．
最初の2回はオンラインでのリアルタイム講義とする．
No prior knowledge on Python programming is assumed, but basic computer skills (e.g., keyboard-input and file operations) are desirable. Various useful tips on Python will be provided for the supplement. Serious efforts are expected, as the class progresses fast.
The first two lectures will be given online in real time.