科目名[英文名]
機械学習[Machine Learning]
担当教員[ローマ字表記]
佐藤 賢二
[
SATOU, Kenji
]
科目ナンバー
AC3509A
科目ナンバリングとは
時間割番号
31136
科目区分
-----
講義形態
講義
開講学域等
融合学域
適正人数
特になし
開講学期
Q1
曜日・時限
水4
単位数
1単位
授業形態
60単位上限
対象学生
-----
キーワード
確率分布、検定、機械学習、予測
講義室情報
自然科学大講義棟(総合研究棟Ⅵ) AV講義室(対面のみ)
開放科目
-----
備考
-----
授業の主題
統計解析や機械学習を用いたデータ解析法
学修目標(到達目標)
センサーや情報インフラが発達した結果、今日では短時間で膨大かつ多様なデータが手に入るようになった。これらのデータは専門家が目で見て判断するようなデータ量を越えてしまうことが多いため、計算機を用いた解析がますます重要になっている。そして、その多くは頻度や確率に基づく統計解析と、それを発展させた機械学習やデータマイニングによる予測と知識発見などの技術に基づいている。本講義では確率分布の基礎からスタートして、主にPythonを用いながら、一般的なデータ解析法を理解できることを目的とする。
授業概要
1. 回帰
講義の概要と講義で使用する環境について説明した後、相関係数、回帰、決定係数などについて説明と実習を行う。
2. クラスタリング
クラスタリングの概要について説明した後、クラスタ間の距離計算法やクラスタの連結法、階層型クラスタリングと分割型クラスタリングなどについて説明と実習を行う。
3. 自己組織化マップ
自己組織化マップの概要と計算アルゴリズムについて説明を行う。
4. 相関ルール発見
相関ルール発見の概要について説明した後、支持度、確信度、Aprioriアルゴリズムなどについて説明と実習を行い、その応用可能性について説明する。
5. 分類、k近傍法、交差検証
分類・回帰・クラスタリングの違いについて説明した後、最も簡単な分類手法であるk近傍法と、分類精度を評価するための交差検証について説明する。
6. 決定木、ナイーブベイズ、サポートベクターマシン
様々な分類アルゴリズムとして、決定木、ナイーブベイズ、ニューラルネットなどを紹介する。
7. 主成分分析
主成分分析の概要について説明した後、その使い道と発展形について説明する。
評価方法と割合
評価方法
次項の項目及び割合で総合評価し、次のとおり判定する。
「S(達成度90%~100%)」、「A(同80%~90%未満)」、
「B(同70%~80%未満)」、「C(同60%~70%未満)」を合格とし、
「不可(同60%未満)」を不合格とする。(標準評価方法)
評価の割合
【授業には3分の2以上の出席を必要とする】
・( )% 小テスト
・( )% 中間試験
・(100)% 学期末試験
・( )% レポート
・( )% 出席状況
・( )% 演習の発表点
授業時間外の学修に関する指示
予習に関する指示
統計に関する知識をWeb等で探して読んでみて下さい(2時間程度)。
予習に関する教材
オンデマンド教材以外の指示・課題
復習に関する指示
講義中に分からなかった点について、講義の録画を見直して理解しておいて下さい(2時間程度)。
復習に関する教材
オンデマンド教材(授業内容の一部)
教科書・参考書
教科書・参考書補足
テキストや参考書は特にありません。必要な資料は、講義中に配布します。
オフィスアワー等(学生からの質問への対応方法等)
主にアカンサスポータル経由のメッセージや電子メール(ken@t.kanazawa-u.ac.jp)により対応します。
履修条件
適正人数
特になし
その他履修上の注意事項や学習上の助言
講義で配布した資料は、次回の講義までに復習しておいて下さい。特に、実習資料に沿って自分で統計解析を行ってみることは重要です。
特記事項
カリキュラムの中の位置づけ
講義内容を十分理解するためには数理・データサイエンス基礎及び演習を履修済みであることが望ましいですが、必須ではありません。
特記事項
派遣留学中の学生についてオンライン対応:要相談
ページの先頭へ