実践的機械学習Ⅱ

金曜5限. 単位数／Credit(s): 2.00単位. 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／Eligibility: 全. 開講期／Term: 2/4/6/8セメスター. 科目群／Subject Group: 全学教育科目先進科目－情報教育. 年度: 2025. 科目ナンバリング／Course Numbering: ZAC-OIN804J. 使用言語／Language of Instruction: 日本語.

科目コード

CAB017040

科目名／Subject

実践的機械学習Ⅱ

教室／Place

情報教育実習室　Ｍ１０５

メディア授業科目／Media Class Subjects

〇

主要授業科目／Essential Subjects

各学部の履修内規または学生便覧を参照。

授業題目／Class Subject

実践的機械学習Ⅱ



Practical Machine Learning II

授業の目的と概要／Class Objectives and Summary

「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.

学修の到達目標／Learning Goals

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.

授業内容・方法と進度予定／Contents and Progress Schedule of the Class

Google Meetを利用し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

2. 深層学習：手書き数字データに対する画像分類

3. 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

4. 深層学習：学習済みのモデルを使った予測

5. 深層学習：多層パーセプトロンの各層の働き

6. 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 (1)

7. 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 (2)

8. 深層学習：転移学習

9. 深層学習：最適化，ロジスティック回帰，誤差逆伝播 (1)

10. 深層学習：最適化，ロジスティック回帰，誤差逆伝播 (2)

11. 深層学習：敵対的サンプルの生成

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. This class is conducted as an online lecture using Google Meet.

The contents and schedule are as shown below.

1. Introduction and preparation.

2. Deep learning: recognizing hand-written digits

3. Deep learning: drop-out and convolutional neural networks

4. Deep learning: prediction with pre-trained models

5. Deep learning: components of multilayer perceptrons

6. Deep learning: components of convolutional neural networks (1)

7. Deep learning: components of convolutional neural networks (2)

8. Deep learning: transfer-learning

9. Deep learning: optimization, logistic regression, back-propagation (1)

10. Deep learning: optimization, logistic regression, back-propagation (2)

11. Deep Learning: Generating Adversarial Samples

12. Reinforcement learning: Q-learning for solving mazes

13. Reinforcement learning: Q-learning for control

14. Deep reinforcement learning

15. Concluding remarks

成績評価方法／Evaluation Method

毎回の授業で出題される課題の内容，提出状況で評価する．



Evaluation is performed comprehensively based on the progress of exercises the submitted reports.

教科書および参考書／Textbook and References

授業時間外学修／Preparation and Review

課題を解いてレポート及び解答を毎回提出する必要がある．



Students are required to submit class assignments every time.

授業へのパソコン持ち込み【必要/不要】／Students must bring their own computers to class [Yes / No]

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.

連絡先（メールアドレス等）／Contact（Email, etc.)

全学教育HP掲載の「全学教育科目授業担当教員連絡先一覧」を参照。

その他／Other Comments/Instructions

「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”.