2025年度 (最新) 学院等開講科目情報理工学院情報工学系

機械学習

開講元: 情報工学系
担当教員: 岡﨑直観
授業形態: 講義
メディア利用科目: -
曜日・時限 (講義室)
クラス: -
科目コード: CSC.T254
単位数: 200
開講時期: 2025年度
開講クォーター: 4Q
シラバス更新日: 2025年4月2日
使用言語: 日本語

シラバス

授業の目的（ねらい）、概要

機械学習は「明示的にプログラミングすることなく、コンピュータに学ぶ能力を与えようとする研究分野」（アーサー・サミュエル, 1959年）として、デジタルコンピュータの黎明期から研究が行われてきた。機械学習の理論やアルゴリズムの成熟、データの大規模化、コンピュータの計算能力の向上などを背景に、機械学習は飛躍的な発展を遂げ、その応用範囲は情報科学以外の分野にも広がっている。本講義では、機械学習の基礎的な概念と理論の理解を目指す。また、機械学習の理論と実装を一緒に説明することで、機械学習の応用にも触れながら理論への理解を深める。
※ 新型コロナ感染対策として履修人数制限が必要な場合には、情報工学系の学生を優先することがあります。

到達目標

・機械学習の基礎的な概念・理解を習得する
・機械学習の理論やアルゴリズムを実装を通して理解する
・データ処理の基礎事項を習得する

キーワード

回帰、分類、ニューラルネットワーク、クラスタリング、主成分分析、正則化、確率的勾配降下法

学生が身につける力

専門力
教養力
コミュニケーション力
展開力 (探究力又は設定力)
展開力 (実践力又は解決力)

授業の進め方

概念・理論を習得するための座学と，それをコンピュータ上で確認・実現する演習から構成される．

授業計画・課題

	授業計画	課題
第1回	導入，Pythonの基礎	機械学習の概要，Pythonの基本的な文法
第2回	データの可視化	データの読み書き，線グラフ，棒グラフ，散布図，ヒートマップ，NumPy，Matplotlib，scikit-learn
第3回	線形回帰	単回帰，最小二乗法，最尤推定，重回帰，モデル選択，正則化，勾配法
第4回	線形二値分類	二値分類，ロジスティック回帰，評価
第5回	線形多値分類	多値分類，多クラスロジスティック回帰，ソフトマックス関数
第6回	演習1	第3～5回の内容に関する演習
第7回	ニューラルネットワーク	閾値論理ユニット，活性化関数，万能近似定理
第8回	多層ニューラルネットワーク	計算グラフ，自動微分，誤差逆伝搬，深層ニューラルネットワーク，畳み込みニューラルネットワーク
第9回	サポートベクトルマシン	マージン，双対性，サポートベクトル，カーネル関数
第10回	演習2	第7～9回の内容に関する演習
第11回	クラスタリング	非階層型クラスタリング，K-means，ボロノイ図，階層型クラスタリング，最短距離法，最長距離法，群平均法，重心法，ウォード法
第12回	次元圧縮	主成分分析，特異値分解
第13回	強化学習	マルコフ決定過程，ベルマン方程式，価値反復法，方策反復法，Q学習
第14回	演習3	第11～13回の内容に関する演習

準備学修(事前学修・復習)等についての指示

学修効果を上げるため、配布資料等の該当箇所を参照し、授業内容に関する予習と復習（課題含む）をそれぞれ概ね100分を目安に行うこと。

教科書

指定なし

参考書、講義資料等

以下のウェブサイトを利用
機械学習帳: https://chokkan.github.io/mlnote/
Python早見帳: https://chokkan.github.io/python/

成績評価の方法及び基準

演習のレポート（60%）、および期末試験（40%）。

履修の条件・注意事項

線形代数の基礎（特にベクトル、行列、固有値分解など）を修得していることが望ましい。ブラウザ上で「動く」講義資料を採用しているため、講義を受講するときに手元にPCやタブレットPCがあることが望ましい。