後期 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): 齊藤 いつみ 所属：情報科学研究科. 対象学部/Object: 全. 開講期/Term: 2/4/6/8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-OIN804J. 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 II
Practical Machine Learning II
「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．
クラスタリング，深層学習，強化学習などについて，手を動かしながらシステムを作成し，実データを処理する過程を通じてそのエッセンスを探る．プログラム言語Pythonの基本と関連するライブラリの使い方も併せて習得する．
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 clustering, deep-learning, and reinforcement learning, through the process of applying them for actual data and developing Systems.
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，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講義と，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
2. クラスタリング：アヤメのデータに対するクラスタリング
3. クラスタリング：k平均法
4. クラスタリング：階層型クラスタリング
5. 深層学習：手書き数字データに対する画像分類
6. 深層学習：ドロップアウトと畳み込みニューラルネットワーク
7. 深層学習：学習済みのモデルを使った予測
8. 深層学習：畳み込みニューラルネットワークの各層の働き
9. 深層学習：転移学習
10. 深層学習：変分オートエンコーダ
11. 深層学習：最適化，ロジスティック回帰，誤差逆伝播
12. 強化学習：Q学習による迷路探索
13. 強化学習：Q学習による制御問題
14. 強化学習：深層強化学習
15. まとめ
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.
2. Clustering: clustering on Iris data
3. Clustering: k-means clustering
4. Clustering: hierarchical clustering
5. Deep learning: recognizing hand-written digits
6. Deep learning: drop-out and convolutional neural networks
7. Deep learning: prediction with pre-trained models
8. Deep learning: components of convolutional neural networks
9. Deep learning: transfer-learning
10. Deep learning: variational auto-encoders
11. Deep learning: optimization, logistic regression, back-propagation
12. Reinforcement learning: Q-learning for solving mazes
13. Reinforcement learning: Q-learning for control
14. Deep reinforcement learning
15. Concluding remarks
演習の進み具合，およびレポートの内容で評価する．
Evaluation is performed comprehensively based on the progress of exercises the submitted reports
演習問題を解いてレポートを毎回提出する必要がある．
Students are required to submit class assignments every time.
演習を行うための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.
「実践的機械学習Ⅰ」が受講済みであることを前提として授業を進める．
Students are assumed to have completed the course “Practical Machine Learning I”.