シラバス表示
シラバスの詳細な内容を表示します。
→ 閉じる（シラバスの一覧にもどる）
科目の基本情報
| 開講年度 | 2023 年度 | |
|---|---|---|
| 開講区分 | 工学研究科(博士前期課程)情報工学専攻 | |
| 領域 | 主領域 : C; 副領域 : B | |
| 受講対象学生 |
大学院(修士課程・博士前期課程・専門職学位課程) : 1年次, 2年次 |
|
| 選択・必修 | 選択 |
|
| 授業科目名 | データサイエンス特論 | |
| でーたさいえんすとくろん | ||
| Data Science (master's course) | ||
| 単位数 | 2 単位 | |
| ナンバリングコード | ||
| 開放科目 | 非開放科目 | |
| 開講学期 |
前期 |
|
| 開講時間 |
水曜日 3, 4時限 |
|
| 授業形態 |
対面授業 * 状況により変更される可能性があるので定期的に確認して下さい
「オンライン授業」・・・オンライン会議ツール等を利用して実施する同時双方向型の授業 |
|
| 開講場所 | 時間割表を参照してください。また、moodle上のコース「情報工 オンライン掲示板」および「データサイエンス特論」(後日開設予定) の情報を必ず確認してください。 | |
| 担当教員 | 松岡真如（工学部） | |
| MATSUOKA, Masayuki | ||
| SDGsの目標 |
|
|
| 連絡事項 | * 状況により変更される可能性があるので定期的に確認して下さい |
|
学修の目的と方法
| 授業の概要 | ・機械学習について、理論と応用を習得する。 ・研究や仕事などで、多様なデータを分析して情報を抽出する際に活用できるとよい。 |
|---|---|
| 学修の目的 | ・回帰と分類について、手法と組み合わせて説明できる ・機械学習の種類や関係性を理解している ・深層学習の仕組みを説明できる ・深層学習の基礎的なモデルを構築できる |
| 学修の到達目標 | ・最小二乗回帰、リッジ回帰の仕組みを説明できる ・フィードフォワードニューラルネットワークの原理を説明できる ・フィードフォワードニューラルネットワークの基礎的なモデルを構築できる ・畳み込みニューラルネットワークの仕組みを説明できる ・畳み込みニューラルネットワークの基礎的なモデルを構築できる ・目的に合わせた機械学習の手法を選択できる |
| ディプロマ・ポリシー |
|
| 成績評価方法と基準 | 課題: 70%、期末レポート: 30% 計100%。(合計が60%以上で合格) |
| 授業の方法 | 講義 |
| 授業の特徴 | |
| 授業改善の工夫 | |
| 教科書 | Pythonで動かして学ぶ!あたらしい機械学 習の教科書(伊藤真著、翔泳社、ISBN: 9784798144986) |
| 参考書 | パターン認識と機械学習 上(C. M. Bishop著、元田浩ほか監訳、丸善出版、ISBN: 978-4-621-06122-0) |
| オフィスアワー | 授業時間後(メールで事前に連絡すること) |
| 受講要件 | |
| 予め履修が望ましい科目 | 応用情報工学(学部) |
| 発展科目 | |
| その他 |
授業計画
| MoodleのコースURL |
|---|
| キーワード | 機械学習、深層学習、パターン認識 |
|---|---|
| Key Word(s) | Machine Learning, Deep Learning, Pattern Recognition |
| 学修内容 | 1. ガイダンス、機械学習の準備、Pythonの基本 2. 回帰と分類 3. 機械学習に必要な数学の基本 4. 教師あり学習:回帰1 5. 教師あり学習:回帰2 6. 教師あり学習:分類1 7. 教師あり学習:分類2 8. フィードフォワードニューラルネットワーク1 9. フィードフォワードニューラルネットワーク2 10. フィードフォワードニューラルネットワーク3 11.畳み込みニューラルネットワーク1 12. 畳み込みニューラルネットワーク2 13. 畳み込みニューラルネットワーク3 14. その他の深層学習1 15. その他の深層学習2 |
| 事前・事後学修の内容 | 事前: ・講義内容について参考書やウェブなどで調べておく 事後: ・課題を行う |
| 事前学修の時間:60分/回 事後学修の時間:60分/回 |