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

授業科目区分

専門科目
ハイブリッド科目(※対面とオンライン併用)
アクティブ・ラーニング科目ではありません。
専門科目 数理情報系

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

松坂公暉

研究室のホームページ,SNSなど

NDC

7.13

科目分類コード

60020

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

Pythonプログラミング、パーセプトロン、サポートベクターマシン、決定木学習、

説明に使用する言語

主として日本語を使用する

使用する教材の言語

日本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

・各分類モデルの数理的構造を理解できる。
・各分類モデルをPythonで実装することができる。

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

今日、機械学習とよばれる分野は著しい注目を浴びており、例えば画像認識など、我々の身近な技術にも機械学習が応用されている。本授業では、機械学習の中の分類とよばれる技術について、いくつか代表的なものを紹介し、それらの数理モデルおよびPythonでの実装について説明する。

学習内容

  1. イントロダクション
  2. Pythonの復習１
  3. Pythonの復習２
  4. パーセプトロン１
  5. パーセプトロン２
  6. パーセプトロン３
  7. パーセプトロン４
  8. サポートベクターマシン１
  9. サポートベクターマシン２
  10. サポートベクターマシン３
  11. サポートベクターマシン４
  12. 決定木学習１
  13. 決定木学習２
  14. 決定木学習３
  15. 決定木学習４
  16. まとめ

授業時間外での学修

本授業では数学がかなり登場するので、各モデルの最初の回では用いられる数学について初歩から解説する予定であるが、それでも不安であれば開講前に微分積分学や線形代数学の復習を行うことを推奨する。また、各モデルの最終回ではレポート課題を出すので、期日までに必ず提出をすること。基本的に授業時間外の学修は１コマあたり４時間を必要とする。

成績評価の基準と方法

(S)キーワードに記された各領域の考え方について他者に説明でき、方法を適切に応用できる。
(A)キーワードに記された各領域の考え方を正しく理解し、方法を適切に実践できる。
(B)キーワードに記された各領域の考え方の重要な事項について理解し、指示に則って方法を実践できる。
(C)キーワードに記された各領域の考え方の主要な事項について理解し、方法を概ね実践できる。

達成度評価（評価方法：合計100点）

試験：　　　　　 / 100
レポート：　　　 100(全３回) / 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): / 100
作品：　　　　　 / 100
ポートフォリオ： / 100
その他：

教科書・テキスト

使用しない。

参考図書・参考文献等

・S. Raschka，V. Mirjalili 著，株式会社クイープ 訳，福島真太郎 監訳，『Python機械学習プログラミング（第３版）』，株式会社インプレス（2020）

履修もしくは取得していなければいけない科目

・人工知能入門
および
・数学基礎
・微分積分学I
・微分積分学II
・線形代数学I
・線形代数学II
を取得していることが望ましい。また、
・解析学I
もしくはそれに準ずる内容で多変数関数に慣れておくと理解しやすい。

学習支援

講義中の質問だけでなく、オフィスアワーやそれ以外でも随時質問を受け付ける（メールでの質問も歓迎）。また、レポート課題は全部で3回あり、第７、１１、１５回に問題を出す。

授業に関連する実務経験