後期集中 その他 連講 オンライン. 単位数/Credit(s): 2. 担当教員(所属)/Instructor (Position): 鈴木 顕 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-OIN802J. 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。
機械学習アルゴリズム概論
Introduction to algorithms for machine learning
目的：
機械学習で使用されるアルゴリズムについて学び，理解を深める．
概要：
機械学習は世界的に着目されており，既存のライブラリ等を使用すれば誰でも簡単に機械学習ができるようになりました．では，そのライブラリの中では実際にどのような計算が行われているのでしょうか？本授業では，機械学習をより良く利用する上で重要な，いくつかのアルゴリズムを学びます．
Object:
In this course, students will learn about several algorithms used in machine learning.
Summary:
Machine learning becomes an increasingly important topic of artificial intelligence. There exist many machine learning libraries which are used by not only experts but also beginners. So what kinds of algorithms are actually performed in that library? In this course, students will learn several algorithms that are important for making better use of machine learning.
機械学習には出来ることと出来ないことがあることを知る．
機械学習の結果を適切に読み解く方法を学ぶ．
機械学習のアルゴリズムを身に着けることで，より高度な機械学習の技術を習得する．
Learn what machine learning can do and what it cannot do.
Learn how to understand the results of machine learning.
Acquire more advanced machine learning techniques by learning algorithms.
Google Classroomを使用します．
クラスコードは全学教育Webサイト，もしくはISTUをご確認ください．
授業の実施形態：完全オンライン（オンデマンド型）
オンデマンドの動画を視聴した後で課題の提出を求めます．
提出された課題に対してフィードバックも行います．
受講方法の詳細は授業開始日までにGoogle Classroomに掲載します．
１．機械学習とアルゴリズム
２．分類１（線形分類）
３．分類２（サポートベクターマシン）
４．回帰１（線形回帰）
５．回帰２（ロジスティック回帰）
６．分類３（決定木・k近傍法等）
７．前半のフィードバック
８．クラスタリング１（階層的手法）
９．クラスタリング２（非階層的手法）
１０．自然言語処理１（形態素解析とかな漢字変換）
１１．検証（正解率と再現率と適合率）
１２．深層学習（ニューラルネットワーク）
１３．強化学習（動的計画法とモンテカルロ法）
１４．後半のフィードバック
１５．まとめ
This course uses Google Classroom.
You can confirm the class code on the website of General Education or ISTU.
Class format: online (on-demand)
After watching the on-demand videos, you will be asked to submit assignments.
Feedback will be provided on the submitted assignments.
The details of the course will be posted on Google Classroom by the start of the class.
1. Machine learning and algorithms
2. Classification 1 (linear classification)
3. Classification 2 (support vector machine)
4. Regression 1 (linear regression)
5. Regression 2 (logistic regression)
6. Classification 3 (decision tree, k-nearest neighbor, etc.)
7. Feedback for the first half
8. Clustering 1 (hierarchical method)
9. Clustering 2 (non-hierarchical method)
10. Natural language processing 1 (morphological analysis and Kana-Kanji conversion)
11. Validation (accuracy, recall and precision)
12. Deep learning (Neural network)
13. Reinforcement learning (Dynamic programming and Monte Carlo methods)
14. Feedback for the second half
15. Summarization
毎回の授業後に提出するミニットペーパー：50％
２回出題されるレポート課題：50％
Minute paper to be submitted after each class: 50%
Report assignments to be given two times: 50%
授業時間は限られているので，自主学習が重要になる．教科書を確認し，予習・復習することを推奨する．また，必要に応じて宿題も課す．
The session time is limited and therefore self-directed learning is important. Students should be required preparetions and reviews using a textbook. Some assignments will be provided when needed.
不要
No
受講に際し，教科書の購入が必要です．
数学・プログラミングの知識は必要ない．
授業期間中いつでも質問することが出来る．メールでの質問も随時受け付ける．
A textbook is required for the course.
Math and programming skills are NOT required.
Questions are accepted at any time in class. Students also can e-mail their questions.