情報科学部Faculty of Computer and Information Sciences
HUI312KA-CS-332(人間情報学 / Human informatics 300)パターン認識と機械学習Pattern Recognition and Machine Learning
伊藤 克亘、佐藤 裕二Katunobu ITOU, Sato YUJI
授業コードなどClass code etc
学部・研究科Faculty/Graduate school | 情報科学部Faculty of Computer and Information Sciences |
添付ファイル名Attached documents | |
年度Year | 2022 |
授業コードClass code | J0550 |
旧授業コードPrevious Class code | |
旧科目名Previous Class title | |
開講時期Term | 秋学期授業/Fall |
曜日・時限Day/Period | 木1/Thu.1 |
科目種別Class Type | |
キャンパスCampus | 小金井 / Koganei |
教室名称Classroom name | 各学部・研究科等の時間割等で確認 |
配当年次Grade | |
単位数Credit(s) | 2 |
備考(履修条件等)Notes | |
他学部公開科目Open Program | |
他学部公開(履修条件等)Open Program (Notes) | |
グローバル・オープン科目Global Open Program | |
成績優秀者の他学部科目履修制度対象Interdepartmental class taking system for Academic Achievers | ○ |
成績優秀者の他学部科目履修(履修条件等)Interdepartmental class taking system for Academic Achievers (Notes) |
(1) 受講希望者 (受講検討中の者も含む) は、情報科学部学部Googleフォーム(https://forms.gle/ECvwxVe2NcxmrbTK9)で初回講義前までに希望申請をしてください。(※以下URLのご案内があるGoogleフォームとは異なるのでご注意ください。) (2) 以下のURLと教育開発支援機構事務局の案内に従って、履修希望の申請を行ってください。 https://www.hoseikyoiku.jp/risyu/index.html (3) 履修取消については、ご自身の所属学部の履修取消期間内に必ず同時に履修削除を行ってください。 |
実務経験のある教員による授業科目Class taught by instructors with practical experience | |
SDGsCPSDGs CP | |
アーバンデザインCPUrban Design CP | |
ダイバーシティCPDiversity CP | |
未来教室CPLearning for the Future CP | |
カーボンニュートラルCPCarbon Neutral CP | |
千代田コンソ単位互換提供(他大学向け)Chiyoda Campus Consortium | |
選択・必修Optional/Compulsory | |
カテゴリー(2022年度以降入学者)Category (2022~) | |
カテゴリー(2021年度以前入学者)Category (~2021) | |
カテゴリーCategory |
専門教育科目 専門科目 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
This course deals with pattern recognition and machine learning by computer. First, students learn two major approaches based on generative model and discriminative model, respectively, from the viewpoint of statistical pattern recognition. Second, the new and powerful concept of "Deep Learning" is introduced and explained in detail. Students learn how to apply deep learning techniques to practical pattern recognition problems by means of Python programming.
The standard for outside study such as preparation and review of this class is 4 hours per week.
Grades will be judged comprehensively from the final exam (60%) + exercises (20%) + class participation attitude (20%).
授業で使用する言語Default language used in class
日本語 / Japanese
授業の概要と目的(何を学ぶか)Outline and objectives
コンピュータによるパターン認識の理解を目的として、機械学習の基礎、Deep Learningの考え方とその適用法、パターン認識の基礎および機械学習に基づくパターン認識を学ぶ。
到達目標Goal
機械学習の基礎,Deep Learningの基本的な考え方を理解し,具体的実装法を修得する。
パターン認識の基礎を理解し、機械学習を用いた具体的実装法を修得する。
この授業を履修することで学部等のディプロマポリシーに示されたどの能力を習得することができるか(該当授業科目と学位授与方針に明示された学習成果との関連)Which item of the diploma policy will be obtained by taking this class?
ディプロマポリシーのうち「DP1」と「DP4-1」、「DP4-2」、「DP4-3」に関連
授業で使用する言語Default language used in class
日本語 / Japanese
授業の進め方と方法Method(s)(学期の途中で変更になる場合には、別途提示します。 /If the Method(s) is changed, we will announce the details of any changes. )
まず、機械学習の基礎を理解する。具体的には、機械学習と人工知能の関係、機械学習の分類(教師付き学習、教師なし学習、強化学習)を学び、機械学習技術をパターン認識や時系列予測問題に適用した事例紹介を行う。次に、パターン認識と最も関連性の高い、ニューラルネットワークを用いた教師付き学習を学ぶ。具体的には、単層パーセプトロン、多層パーセプトロンの紹介から始めて、Deep Learningの基本的な理論を学びながら、演習を通して、畳み込みニューラルネットワークの実装と実験を行いながら理解を深める。授業後半では、パターン認識の分類を学び、特にデータに基づくパターン認識法を学ぶ。一般的な手法として、統計的パターン認識の考え方を学ぶ。画像や音声など具体的なデータを対象に PythonやMATLABを用いてパターン認識の理解を深める。最後に、パターン認識技術を応用したデータ生成などの技法について学ぶ。演習や実験を通して講義内容の理解を深める。
課題は、主要なものを発表させ、解説する。
アクティブラーニング(グループディスカッション、ディベート等)の実施Active learning in class (Group discussion, Debate.etc.)
あり / Yes
フィールドワーク(学外での実習等)の実施Fieldwork in class
なし / No
授業計画Schedule
授業形態/methods of teaching:対面/face to face
※各回の授業形態は予定です。教員の指示に従ってください。
第1回[対面/face to face]:機械学習とは
ガイダンス、人工知能と機械学習,機械学習の分類
第2回[対面/face to face]:教師なし学習
統計的最適化、代表的なクラスタリング技術
第3回[対面/face to face]:教師付き学習(1)
回帰分析、Support Vector Machine (SVM)
第4回[対面/face to face]:教師付き学習(2)
単層パーセプトロン、多層パーセプトロン
第5回[対面/face to face]:教師付き学習(3)
誤差逆伝播法
第6回[対面/face to face]:教師付き学習(4)
畳み込みニューラルネットワーク、リカレントニューラルネットワーク
第7回[対面/face to face]:強化学習
Q-Learning、進化計算
第8回[対面/face to face]:パターン認識
パターン、認識、識別
第9回[対面/face to face]:データに基づく識別
k-NN法、パーセプトロンによる識別、パラメトリック法とノンパラメトリック法
第10回[対面/face to face]:統計的パターン認識
ベイズの定理、事後確率最大化基準による識別
第11回[対面/face to face]:空間的パターン認識
文字認識、キーワード認識、DNN、GMM
第12回[対面/face to face]:時系列パターン認識
文字認識、キーワード認識、RNN
第13回[対面/face to face]:パターンとノイズ
特徴量空間、前処理、CNN、PCA
第14回[対面/face to face]:パターン認識の関連技術
クラスタリング、GAN
授業時間外の学習(準備学習・復習・宿題等)Work to be done outside of class (preparation, etc.)
[1] 確率と統計の基礎(平均,分散共分散,確率密度関数)の復習
[2] 線形代数の基礎(ベクトル,行列の演算)の復習
[3] プログラミング(Python, MATLAB)の復習
[4] 統計学1、統計学2、最適化を履修していることが望ましい
[5] 本授業の準備・復習時間は、計4時間を標準とする
テキスト(教科書)Textbooks
担当教員が作成した講義資料を moodle など学内Webサイトに公開する。
参考書References
[1] 石井健一郎・上田修功・前田英作・村瀬洋著:「わかりやすいパターン認識」,第2版,オーム社,2019年.
[2] 斎藤康毅著:「ゼロから作るDeep Learning」,オライリー・ジャパン,2016年.
[3] F. Chollet著,巣籠悠捕監訳,「PythonとKerasによるディープラーニング」,マイナビ出版 2018年.
成績評価の方法と基準Grading criteria
レポート課題20%,定期試験60%,受講態度20%で総合評価する。
学生の意見等からの気づきChanges following student comments
今年度から新規内容のためなし。
学生が準備すべき機器他Equipment student needs to prepare
貸与PC、電子メールや moodle へのアクセス等ネットワークを利用する。