授業の主題
|
|
|
|
機械学習の基本的な考え方, 原理をRを使った演習を交えて学習する.
|
| |
|
|
授業の目標
|
|
|
微積分, 確率, 統計などので定式化される機械学習の基本的な考え方を理解する.
統計解析用言語Rを用いて実際にデータ解析を行うノウハウを身につける.
|
| |
|
|
学生の学修目標
|
|
|
機械学習の基本的な考え方, 定式化を理解する.
Rを用いて代表的な手法を用いたデータ解析を行う.
|
| |
|
|
学修成果
|
|
|
機械学習の基本的な考え方, 定式化を理解する.
Rを用いて代表的な手法を用いたデータ解析を行う.
|
| |
|
|
授業概要
|
|
|
以下のようなモデルや手法を取り上げて，講義と演習を行う.
最尤法とモデル選択, クロスバリデーション
教師あり学習(回帰, 決定木, 判別分析, ロジスティック回帰, SVM,ニューラルネットワーク)
教師なし学習(主成分分析, 行列因子分解, クラスタリング等)
|
| |
|
|
評価方法と割合
|
|
|
|
評価の割合
|
|
|
レポートで評価する. 60点を合格とする.
|
| |
|
|
|
|
授業時間外の学修に関する指示
|
|
予習に関する指示
|
|
|
|
基本的な数学, 確率・統計の基礎を復習しておくこと.
|
| |
|
|
|
|
教科書・参考書
|
|
教科書・参考書補足
|
|
|
|
パターン認識 (Rで学ぶデータサイエンス 5)
|
| |
|
|
オフィスアワー等（学生からの質問への対応方法等）
|
|
|
|
講義期間中にメール, zoomで対応する.
|
| |
|
|
履修条件
|
|
|
微積分, 線形代数, 確率, 統計などの基本的な知識を備えていることが望ましい.
可能であればRを実行可能な環境を用意しておくと良い.
|
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|