知能情報プログラミング
Intellectual Information Engineering

授業科目区分

専門科目
専門科目 情報テクノロジーコース

わくラボの使用について：使用しない
選択科目　2単位　3年次　後期

教職課程(情報)選択

担当教員

小山民雄

研究室のホームページ,SNSなど

NDC

007.13

科目分類コード

61030

オフィスアワー

時間割決定後に授業等で連絡します

この科目のキーワード

人工知能/機械学習/自然言語処理/画像認識/Python/統計学

説明に使用する言語

日本語・英語を併用する

使用する教材の言語

日本語・英語で記述された資料を使用する

この科目に必要な日本の文化・事情の知識について

到達目標

まずPythonを用いてデータの統計処理が適切にできるようになること。続いて、自然言語処理および画像認識の実例を通して、機械学習の概要について理解できるようになること。

ディプロマポリシーとの関連性

情報メディア基礎力:情報メディアの技術的および社会的な変化に対応し得る基盤となる知識とスキル, 専門能力:情報メディアの開発とその多面的な活用ができる能力

授業の簡単な概要

授業では、データ分析の主要なツールの一つである Python を用いる。 統計分析に用いるデータの入手法 ( 政府統計の利用、 twitter API による収集 )を解説した後、 自然言語処理の基本的な考え方を理解し、 MeCab などを用いて、日本語のテキストデータの分析を学ぶ。最後に、ニューラルネットワークの基本的な考え方について解説する。

学習内容

1. 授業の概略の説明
2. Python の基礎 ( 四則演算、関数の定義、配列、文字列処理 )
3. 1 次元のデータ (1) 乱数の発生方法、度数分布表、ヒストグラム
4. 1 次元のデータ (2) 平均値・中央地・最瀕値・分散・標準偏差
5. 1 次元のデータ (3) 仮説検定
6. 2 次元のデータ (1) 散布図とクロス表
7. 2 次元のデータ (2) 相関
8. 2 次元のデータ (3) エルミート多項式を用いた回帰分析
9. 2 次元のデータ (4) 政府統計の利用
10. 自然言語処理 (1) 形態素解析と共起
11. 自然言語処理 (2) 係り受け解析
12. 自然言語処理 (3) ツイートの感情分析
13. 画像認識 (1) パーセプトロンの原理
14. 画像認識 (2) ニューラルネットワークの原理
15. 画像認識 (3) 手書き文字の判別への応用

授業時間外での学修

予習は特に必要としない。授業中に出された課題は、次回授業開始時までに確実に提出すること。

成績評価の基準と方法

・Pythonによるプログラムの読み書きができること ・Pythonを用いた統計処理が適切にできること ・機械学習とは何か理解できていること ・自然言語処理の概要を理解できていること ・画像認識の概要を理解できていること

達成度評価（評価方法：合計100点）

試験：　　　　　 50 / 100
レポート：　　　 / 100
小テスト(中間テストなど含む): / 100
小レポート(中間レポートなどを含む): 50 / 100
作品：　　　　　 / 100
ポートフォリオ： / 100
その他：

教科書・テキスト

指定しない。

参考図書・参考文献等

山内長承『 Python によるテキストマイニング入門』 , オーム社 , 2017 年
木村優志『現場で使える！Python深層学習入門』,翔泳社,2019年

履修もしくは取得していなければいけない科目

特になし

学習支援

オフィスアワーを活用されたい。また、LMSを用いたディスカッションも歓迎する。

授業に関連する実務経験

その他この科目を履修するために必要な条件

特になし