334 件ヒット (0.021秒)：
「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.
医療分野における人工知能の役割とその基盤技術である機械学習について学ぶ。特に、クラスタリング、深層学習、強化学習について、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で、医療分野における機械学習について理解を深める。プログラミング言語pythonの基礎と機械学習で重要な役割を持つ数値計算ライブラリの使い方を習得する。
In this course, students will learn about the role of artificial intelligence in the medical fields and fundamental concepts and skills of machine learning.
To deepen own understanding of clustering, deep learning and reinforcement learning, etc, which are the fundamental components of machine learning, by hands-on programming.
To learn about programming language Python and how to use a numerical calculation library which has the important role of machine learning.
医療分野における人工知能の役割とその基盤技術である機械学習について学ぶ。特に、クラスタリング、深層学習、強化学習について、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で、医療分野における機械学習について理解を深める。プログラミング言語pythonの基礎と機械学習で重要な役割を持つ数値計算ライブラリの使い方を習得する。
In this course, students will learn about the role of artificial intelligence in the medical fields and fundamental concepts and skills of machine learning.
To deepen own understanding of clustering, deep learning and reinforcement learning, etc, which are the fundamental components of machine learning, by hands-on programming.
To learn about programming language Python and how to use a numerical calculation library which has the important role of machine learning.
計算社会科学研究でよく用いられる自然言語処理技術の知識と応用能力を習得する。ニューラルネットワーク、単語埋め込み、ファインチューニングなどの概念を学ぶとともに、Word2vecモデルの実装、深層学習による文書分類、大規模言語モデルの応用など実践的な能力を身につける。
This course focuses on the knowledge and techniques that widely applied in computational social science research.
Students will learn concepts, such as h as neural networks, word embeddings, and fine-tuning as well as hands-on application skills such as Word2vec model implementation, deep learning based text classification, and applications of large language models.
Google Classroomのクラスコードは工学研究科Webページ
https://www.eng.tohoku.ac.jp/edu/syllabus-g.html
（大学院シラバス・時間割・履修登録）にて確認すること。
コンピュータビジョンの様々な問題とその解決方法を説明する．問題とは，物体やシーンを撮影した画像から，それらに関する何らかの情報，例えばシーンの３次元形状や物体のカテゴリ名などを推定する逆問題のことである．関連する基本的概念を説明した上で，コンピュータビジョンの問題への複数のアプローチの方法を，特に深層学習による方法を中心に解説する．
The class code for Google Classroom can be found on the Web site of the School of Engineering:
https://www.eng.tohoku.ac.jp/english/academics/master.html (under "Timetable & Course Description")
This course explains various problems of computer vision and their solutions. The problems are basically inverse-problems in which we wish to estimate some information about an object or a scene from their image(s), such as the categories of objects and the three-dimensional shape of a scene. Students will first learn a series of fundamental concepts, and then study a number of approaches to the problems of computer vision, where the main focus is on deep learning methods.
Google Classroom class code: miblimm
計算社会科学研究でよく用いられる自然言語処理技術の知識と応用能力を習得する。ニューラルネットワーク、単語埋め込み、ファインチューニングなどの概念を学ぶとともに、Word2vecモデルの実装、深層学習による文書分類、大規模言語モデルの応用など実践的な能力を身につける。
This course focuses on the knowledge and techniques that widely applied in computational social science research.
Students will learn concepts, such as h as neural networks, word embeddings, and fine-tuning as well as hands-on application skills such as Word2vec model implementation, deep learning based text classification, and applications of large language models.
「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.
Google classroomcode:
https://classroom.google.com/c/NjYxNjY0ODU4NDM4?cjc=mzfijqk
随時投稿するので、最新情報はこちらを参照してください。
本講義「計量分析」は経済学部データサイエンス科目群の一つです。データサイエンスを学びたい方は次の年限で履修してください。
1. 統計学入門（１年次前期）
2. 計量分析（２年次前期）
3. 数理統計（２年次後期）
4. データサイエンス（２年次後期）
特に、学部大学院一貫教育プログラム「データ科学」を希望する方は履修してください。
現代的な機械学習を学ぶための基本となる「回帰分析」からスタートし、「分類問題」、「ニューラルネットワークモデル」を扱います。データサイエンスでは、データ分析プログラミングが必須です。本講義では、コーディングが初めてという方を想定して入門から講義します。プログラミング未経験者も安心してPythonコーディングに挑戦してください。
なお、教科書として「経済経営のデータサイエンス」（共立出版）を指定します。上記データサイエンス科目すべての参考図書として有効に使えます。
We will introduce basics to learn modern data science, ie. regression analysis, classification methods and deep learning. In order to learn data science, model fitting to actual data by programming is necessary. We suppose class members has no programming experiences and will guide intensive introductions pf Python coding. We do hope you challenge Python coding for big data with modern data science tools.