機械学習法によるデータ解析

大量のデータを解析するための強力な手法である「機械学習法」を中心に、各方法の動作原理、分類・数値予測器を構築する方法などを学ぶ

各方法の動作原理を理解し、自分の問題にどの方法が適しているかを判断できる。サンプルプログラムの内容を把握し、方法とPythonプログラムの対応関係を理解する。自分のデータに対してプログラムを適用できる・自分でプログラムの間違いをみつけて修正できる。プログラムを変更して機能変更・拡張ができる。

"01. イントロダクションと作業環境の確認、numpy/pandas/可視化の復習
02. 統計的推定
03. 統計的検定
04. 線形回帰
05. クラスタリング・基礎
06. クラスタ分析・応用
07. 予測精度評価
08. 前半まとめ、中間試験
09. サポートベクターマシン・基礎
10. サポートベクターマシン・応用
11. ハイパーパラメータ最適化
12. ランダムフォレスト・基礎
13. ランダムフォレスト・応用, その他のアンサンブル学習
14. 最適化
15. 後半まとめ、期末試験"

座学＋ハンズオンの組み合わせ。座学で方法の原理と概要を理解し、サンプルプログラムでその実現方法を理解する。サンプルプログラムをもとに、別のデータに対する解析を行うプログラムを作成し、またプログラムの変更、機能拡張などに取り組むことで、理解を深める。

MOOCsによる事前学習が必須である。講義後には、理解度が低かったトピックや課題の復習を十分に行い、次回講義の小テストで理解度を確認する。

受講態度、複数回の試験、各回冒頭の理解度確認小テスト、課題等の提出、講義への積極的な取り組みを総合的に評価する。

ハンズオンでは、JupyterLab上でnumpy/pandas/matplotlib/sklearnなどのライブラリを利用するPythonプログラムを扱うので、2年次「コンピュータ・サイエンス概論III」「コンピュータサイエンス演習III」で習った内容をよく復習しておくこと。また2年次「データサイエンス基礎」「データ・マイニング論」「データサイエンス演習I, II」、3年次 「データサイエンス演習III」と要素技術が相互に関連しあうことが多いので、受講しない/していない場合はMOOCsなどを活用して自学自習することを強く推奨する。

なし

講義の中で適宜紹介する

コンピュータ・サイエンス概論III、コンピュータサイエンス演習III、データサイエンス基礎、データ・マイニング論、データサイエンス演習I～IV、ディープラーニング