| 【サブタイトル】 |
|---|
Pythonを用いた機械学習と人工知能演習 |
| 【講義の目的・内容】 |
|---|
本演習では、機械学習と人工知能(AI)講義で学んだ内容について、関連した知識をさらに学び、またプログラミング言語Pythonを用いて種々のデータを解析することで、より実践的に理解を深める。
グループワーク形式のチームでのデータ分析にも取り組む。 |
| 【学修到達目標】 |
|---|
各方法の動作原理を理解し、自分の解決したい問題にどの方法が適しているかや方法の限界などを自分で判断できる。サンプルプログラムの内容や出力の意味を把握し、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。 |
| 【講義スケジュール】 |
|---|
01. ガイダンス、Jupyter復習【オンデマンド】
※履修登録期間より視聴可能。
02. 作業環境の確認、numpy/pandas/可視化の復習(時系列データなど)
03. numpy/pandas/可視化の復習(統計量など)
04. 信頼区間, 比率の区間推定とサンプルサイズ見積もり
05. 統計的検定
06. 線形回帰
07. クラスタリング(基礎/階層型)
08. クラスタ分析(非階層型)
09. 予測精度評価
10. Kaggle紹介【オンデマンド】
11. サポートベクターマシン(基礎/分類予測)＋グループワーク
12. サポートベクターマシン(数値予測)＋グループワーク
13. ハイパーパラメータ最適化＋グループワーク
14. ランダムフォレスト(基礎/分類予測)＋グループワーク
15. ランダムフォレスト(数値予測), その他のアンサンブル学習＋グループワーク |
| 【指導方法】 |
|---|
通常授業期間中の13回の対面授業と、オンデマンドによる動画配信2回を組み合わせた講義形式。スケジュール詳細はガイダンスの中で説明する。
対面回・非対面回を問わず、また講義時間外でも、slackによる質問は随時受け付ける。できれば講義用チャンネルで質問を他学生と共有することが望ましい。 |
| 【事前・事後学修】 |
|---|
事前学習: 各関連講義の対応回を復習する(60分目安)
事後学習: 講義内容の復習を十分に行い、課題に取り組む(120分目安) |
| 【成績評価の方法・基準】 |
|---|
講義内で指示される理解度確認小テスト、練習問題、課題等の提出状況と内容(90%)および受講態度や講義への積極的な取り組みなど(10%)を総合的に評価する。 |
| 【受講要件】 |
|---|
「機械学習と人工知能」の履修。
また2年次の「データサイエンス基礎」、「データ・マイニング論」を履修していない場合は、未履修科目をINIAD MOOCs等を用いて自学自習しておくことを強く推奨する。 |
| 【テキスト】 |
|---|
各回の講義に対応したINIAD MOOCs教材を提供する。 |
| 【参考書】 |
|---|
必要に応じて講義の中で紹介する。 |
| 【関連分野・関連科目】 |
|---|
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, II
確率・統計I, II
数学I |
| 【備考】 |
|---|
オンデマンド動画はINIAD MOOCsにより配信する。 |
| 【添付ファイル1】 |
|---|
| 【添付ファイル2】 |
|---|
| 【添付ファイル3】 |
|---|
| 【リンク】 |
|---|
|
|
|
＜本学の授業について＞
本学では、13週の通常授業期間内で13回の通常授業及び、その他に２回分のオンデマンド授業等を開講する形態を採用しています。各回の教室内授業は90分で実施され、合計15回分の授業時間を担保する講義スケジュールを基本としています。
※一部科目では、授業期間、授業回数および授業形態等が異なる場合がありますので、授業の詳細はシラバス等で必ず確認してください。
［注］
教員の指導のもとで、事前・事後学習を含めて１単位45時間の学修時間を担保することが求められます。
なお、本学では、大学設置基準等の法令に基づき、年間35週以上の授業日程（学年暦）を定め、通常授業期間のほかに、T-Weeksにおける特別授業期間、夏季・春季セッション期間における集中授業等を実施する授業日程としております。
|