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。データサイエンス演習IIIと併せて、座学とともに実際に手を動かしてプログラミングを行いながら理解を深める。

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. 仮想環境構築、ガイダンス【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
03. 信頼区間, 比率の区間推定とサンプルサイズ見積もり
04. 統計的検定
05. 線形回帰
06. クラスタリング(基礎/階層型)
07. クラスタ分析(非階層型)
08. 予測精度評価
09. 中間試験、中間試験解説と解き直し【オンデマンド】
10. サポートベクターマシン(基礎/分類予測)
11. サポートベクターマシン(数値予測)
12. ハイパーパラメータ最適化
13. ランダムフォレスト(基礎/分類予測)
14. 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
15. 最適化
16. 期末試験

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。

INIAD MOOCsによる事前学習が必須である(90分目安)。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(90分目安)、次回講義の小テストで理解度を確認する。

複数回の試験の成績(80%)、受講態度、各回の理解度確認小テスト、課題提出を含めた講義への積極的な取り組みなど(20%)を総合的に評価する。
なお、スキルの習得が主要な目的の1つであるため、十分なスキルが身についていることが確認できない場合に、それ以外の項目で埋め合わせて単位を取得することはできない。

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INIAD MOOCsなどを活用して自学自習することを強く推奨する。

各回の講義に対応したINIAD MOOCs教材を提供する。

必要に応じて講義の中で紹介する。

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～III
確率・統計I, II
数学I

オンデマンド動画はINIAD MOOCsにより配信する。 

＜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。