統計的学習論講義

後期 木曜日 ２講時 総合研究棟２０６教室. 単位数/Credit(s): 2. 担当教員/Instructor: 松林 優一郎. 履修年度: 2024. 科目ナンバリング/Course Numbering: PES-EIA211J. 使用言語/Language Used in Course: 日本語.

主要授業科目/Essential Subjects

〇

授業題目/Class subject

機械学習入門

Introduction to Machine Learning

授業の目的と概要/Object and Summary of Class

古典的機械学習および深層学習について、基本的な概念と手法について学ぶ

The course introduces basic concepts and techniques of classical machine learning and deep learning.

学習の到達目標/Goal of study

1. 線形モデルに関する基本的な概念と手法を理解する
2. 機械学習の基本的なアルゴリズムを理解する
3. ニューラルネットワークの学習原理と典型的なネットワーク構造について理解する

The goals of this course are to:
1. understand the basic concepts and techniques of linear models,
2. understand the basic algorithms of machine learning, and
3. understand the deep learning fundamentals.

授業内容・方法と進度予定/Contents and progress schedule of the class

第 1回 導入＋数学的準備 (1)：集合・関数
第 2回 数学的準備 (2)：線形代数・微分
第 3回 数学的準備 (3)：確率・統計
第 4回 ナイーブベイズ分類器
第 5回 線形モデル：パーセプトロン・ロジスティック回帰
第 6回 線形モデル：学習と評価
第 7回 線形モデル：解析の具体例 (1)
第 8回 ニューラルネットワークと深層学習
第 9回 表現学習：単語埋め込みベクトル
第10回 再帰ネットワーク
第11回 アテンションメカニズム
第12回 畳み込みネットワーク
第13回 深層学習と強化学習
第14回 生成言語モデル
第15回 総論

Lecture 1: Introduction & Math Prerequisites: Set and Function
Lecture 2: Math Prerequisites: Linear Algebra and Calculus
Lecture 3: Math Prerequisites: Probability and Statistics
Lecture 4: Naive Bayes Classifier
Lecture 5: Linear Models: Perceptron and Logistic Regression
Lecture 6: Linear Models: Training and Evaluation
Lecture 7: Linear Models: Modeling Example 1
Lecture 8: Neural Network and Deep Learning
Lecture 9: Representation Learning: Word Embedding Vector
Lecture 10: Recurrent Neural Networks
Lecture 11: Attention Mechanism
Lecture 12: Convolutional Neural Networks
Lecture 13: Deep Learning and Reinforcement Learning
Lecture 14: Generative Language Models
Lecture 15 Summary and Conclusion

成績評価方法/Evaluation method

出席および授業態度（50%）と適宜出題するレポート課題（50%）により評価する。

- 50% for attendance and attitude
- 50% for assignments

教科書および参考書/Textbook and references

授業時間外学習/Preparation and Review

適宜出題するレポート課題の提出を求める。
You need to submit several assignments.

その他/In addition

（Googleクラスルーム対応）
クラスコード： hqdzvwn

線形代数、確率統計の基礎的な知識を身につけておくことが望ましい。
Students are expected to be comfortable with the basics of probability theory and statistics, as well as linear algebra.

※ この授業科目は平成３０年度以降入学者対象科目である
This course is for students enrolled after the 2018 academic year.