三重大学ウェブシラバス

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	2022 年度
開講区分	工学部情報工学科／総合工学科情報工学コース・専門教育

受講対象学生	学部(学士課程) : 3年次 2018年度以前入学者は「情報工学応用」の読み替え科目として受講する
選択・必修	選択
授業科目名	応用情報工学
	おうようじょうほうこうがく
	Applied Information Engineering
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	金曜日 7, 8時限
授業形態	ハイブリッド授業 * 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「ハイブリッド授業」・・・「対面授業」と「オンライン授業」を併用した授業「オンデマンド授業」・・・動画コンテンツの配信等によって実施する授業
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「応用情報工学」（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（情報工学コース）
担当教員	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	自然や人間の動態を理解、活用してゆくためにはデータの分析が必要です。近年、大量化・多様化するデータを分析するために、機械学習や人工知能が用いられています。この授業では、データ分析や機械学習の基礎を学びます。
学修の目的	データ分析の基本となる最小二乗推定、最尤推定、ベイズ推定に加えて、教師なし学習のクラスタリングや主成分分析、教師あり学習のサポートベクターマシンなどの基礎を身につけます。
学修の到達目標	・最小二乗推定による重回帰を使える・ベイズ推定と最小二乗推定の違いを説明できる・K-means法(教師なし学習)の手順を説明できる・主成分分析の結果を判読手順を具体的に説明できる・サポートベクターマシンの原理を説明できる。
ディプロマ・ポリシー	○ 学科・コース等の教育目標 ○情報工学の基礎知識を身につけ、科学技術が社会や自然環境に及ぼす影響を理解し、責任ある技術者として行動できる。【技術者倫理】 ○情報工学科に関連する様々な分野に関心をもち、未知分野を理解するために、自主的、継続的に学習できる。【自主的継続的学習】 ○世界に多様な考え方があることを学び、様々な立場の考えや意見を尊重し、多面的に物事を考えることができる。【多面的な思考能力】 ○情報工学に関連する課題に対して、与えられた条件や期限を熟慮し、計画的に作業を進め、報告できる。【計画的な活動】　専門分野の英語で書かれた文献について理解し、説明できる．また、学習や実験で得た知見を、論理的に記述し、的確に発表し、討議できる。【コミュニケーション能力】 ○自然科学と情報技術に関する十分な知識を修得し、それらの知識を応用できる。【知識の修得と応用】　与えられた問題に対し、修得した知識や技術を利用して、関連情報を収集し、解決手法を提案し、実現できる。【問題解決能力】 ○ 全学の教育目標感じる力　感性 ○共感 ○主体性考える力　幅広い教養 ○専門知識・技術　論理的・批判的思考力コミュニケーション力　表現力(発表・討論・対話) 　リーダーシップ・フォロワーシップ　実践外国語力生きる力 ○問題発見解決力　心身・健康に対する意識 ○社会人としての態度・倫理観 ○ JABEE 関連項目
成績評価方法と基準	中間試験: 25%・期末試験: 25%・課題: 40%・プレゼン:10%　計100% (合計が60%以上で合格)
授業の方法	講義演習
授業の特徴	PBL 特色ある教育 Moodleを活用する授業英語を用いた教育
授業改善の工夫
教科書	指定しない。資料を配布する。
参考書	良い本を自分で見つけること。 YouTubeなどを活用すること。
オフィスアワー	授業終了後（事前にメールで連絡すること）
受講要件
予め履修が望ましい科目
発展科目
その他

授業計画

MoodleのコースURL

キーワード	回帰・分類、最小二乗推定、最尤推定、ベイズ推定教師なし学習（クラスタリング、主成分分析）教師あり学習（サポートベクターマシン）
Key Word(s)	Regression and classification, least square estimation, maximum likelihood estimation, Bayesian inference Supervised learning (clustering, principal component analysis) Unsupervised learning (support vector machine)
学修内容	1. ガイダンス・直線回帰 2. 重回帰 3. パラメータの見方 4. 最尤推定1 5. 最尤推定2 6. ベイズ推定1 7. ベイズ推定2 8. 中間試験 9. クラスタリング 10. 主成分分析 11. サポートベクターマシン1 12. サポートベクターマシン2 13. サポートベクターマシン3 14. サポートベクターマシン4 15. 雑多な話題 16. 期末試験 ※加えて、履修生によるプレゼンテーションを行う（毎回25分程度）
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・プレゼンテーションを準備する事後：・授業中に出された課題を行う・気になった点を一つ挙げ、それについて調べる
事前・事後学修の内容	事前学修の時間:90分/回　　　事後学修の時間:150分/回