理工学部Faculty of Science and Engineering
COT300XG(計算基盤 / Computing technologies 300)集合知能Collective Knowledge
三浦 孝夫MIURA TAKAO
授業コードなどClass code etc
学部・研究科Faculty/Graduate school | 理工学部Faculty of Science and Engineering |
添付ファイル名Attached documents | |
年度Year | 2021 |
授業コードClass code | H9076 |
旧授業コードPrevious Class code | |
旧科目名Previous Class title | |
開講時期Term | 春学期授業/Spring |
曜日・時限Day/Period | 金3/Fri.3 |
科目種別Class Type | |
キャンパスCampus | 小金井 |
教室名称Classroom name | |
配当年次Grade | |
単位数Credit(s) | |
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) | |
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 | |
カテゴリー<理工学部>Category |
創生科学科 学科専門科目 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
In this introductory course on Data Mining, we introduce the basic concepts, principles and methods with a focus on 2 major functions: databases (DB) and machine learning (ML). In the DB, we introduce classical yet useful foundation of basic data processing, including relational model and SQL. In the ML, we focus on knowledge discovery and you learn why this is so important. The major tricks come from efficient classification, clustering and mining techniques.
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
この科目では,データマイニング(大容量データからの知識発見)を行うための理論や技術を学ぶ。データベースシステムはこのようなデータを提供する機構として優れた機能を有し,データに潜む興味ある有用なパターンの抽出のために,効率的で拡張性に富む機能を提供する。一方,知識発見・抽出機能は,知識表現・推論,分類・クラスタリング,機械学習等の人工知能分野の基本技術と深く関連している。これらの原理を理解し,情報管理と人工知能の両分野に関する横断的な理解と融合を学ぶ。
到達目標Goal
この科目は カリキュラム標準 コンピュータ科学J07-CS のうち、情報管理(IM)およびインテリジェントシステム(IS) エリアから 6 トピックをカバーします。
IM1 情報モデルとシステム (1時間)
IM2 データベースシステム (2時間)
IM3 データモデリング (2時間)
IM5 データベース問合わせ言語(3 時間)
IS1 インテリジェントシステムの基本的問題 (3時間)
IS2 探索および制約充足 (2時間)
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「DP2」と「DP4」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. )
頻繁に小テストを行い、結果を返却し講評します。
1) 情報モデルとシステム
情報の役割と機能,情報システムの歴史および動機づけ,情報格納と情報検索,情報の獲得と表現,索引付け,検索,ナビゲーション,情報の整合性と安全性等を論じる。
2) データベースシステム
データベースシステムの歴史および動機づけ,データベースシステムの構成要素と機能,データベース方式とデータ独立,データベース問合わせ言語の利用などを論じる。
3) データモデリング
データモデリング,概念モデル,関係データモデルなどを導入する。
4) データベース問合わせ言語
データベース問合わせ言語の概観,問合わせ処理の最適化,非手続き的問合わせの特性などを論じる。
5) 人工知能の基礎
人工知能の役割と目的,問題空間と探索,知識表現と推論,人工知能分野の応用を述べる。
6) 探索および制約充足
問題空間,力ずく探索,最良優先探索,プレーヤゲーム(ミニマックス法,αβ枝刈り),制約充足(バックトラック法および局所探索法)など、基本的な問題を示す。
7) データマイニング
データマイニングの有用性,同時パターンおよび順次パターン,マーケットバスケット分析,データクリーニング,データ可視化など、現在の研究動向を概説する。
毎回、スライドやオンデマンドビデオをオフロードで配布し、学習と課題により理解の確認を行う。レポートや小テストの講評は、学習支援システムを通じて行う
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.)
なし / No
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
※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。
1:データベースとデータマイニング
Database and Data Mining
情報システムの歴史およびデータベースの必要性,データマイニングの有用性を講義する
Background of Information System, Feasibility of Databases and Data Mining
2:データベースシステム
DataBase Systems
データ独立,データベースシステムの構成と問合わせ言語を講義する
Data Independence, Query Languages, Architecture of Database Systems
3:データモデルの役割と機能
Data Models
データモデリングと概念モデル,実体関連モデル・オブジェクト指向と関係データモデルを講義する
Information Modelling, Object-Oriented Approach and Relational Models
4,5:データ操作言語
Data Manipulation
代数ベース、それらの論理ベースの形式化と、SQLとの関連を講義する
Relational Algebra and Calculus, SQL
6:人工知能の基礎
Foundation of Artificial Intelligence
人工知能の役割と目的,問題空間と探索を講義する
Purpose and Goals, Problem Solving and Search Problems
7,8:探索問題とアルゴリズム
Search Algorithms
問題空間,力ずく探索(幅優先・深さ優先探索), 最良優先探索,プレーヤゲーム,制約充足など、歴史的な手法から高度手法までの探索手法と機械学習の関連を講義する
Brute-force Algorithm, A*-algorithm and Constraint Satisfaction
9:機械学習の基礎
Foundation of Machine Learning
機械学習の役割と方式を講義する
Learning Strategy
10:分類問題
Classification
確率分類、決定木と情報理論,過学習問題, カーネル方式を講義する
Probability, Decision Tree, Entropy and Kernel Functions
11:クラスタリングと特徴抽出
Clustering and Feature Selection
クラスタリング手法と近傍法を講義する
Clustering Algorithm
12,13:データマイニング
Foundation of Data Mining
同時パターンおよび順次パターンとマーケットバスケット分析、データクリーニング,データ可視化など、近年特に注目されるトピックを選んで講義する
Association Rules, Cleaning and Visualization
14:学習論的言語理論
Statistical Natural Language Processing
情報検索、確率モデル、トピックモデル、テキストマイニング
Information Retrieval, Probability Model, Topic Model, Text Mining
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.)
【本授業の準備・復習等の授業時間外学習は、4時間を標準とする】スライドやオンデマンドビデオなどオフロード(事前のダウンロード)で入手し、授業までに事前学習をする。
テキスト(教科書)Textbooks
授業中に指示します.
参考書References
授業中に指示します
成績評価の方法と基準Grading criteria
授業中のオンラインテスト・レポートおよび出席による。それぞれ3分の1の割合。
論理的な考え方を理解している必要があります。また、記号論理や離散数学などで得られるセンスが必要です。
学生の意見等からの気づきChanges following student comments
演習問題を希望する学生が多く、小規模なものを繰り返すべきだと思う
その他の重要事項Others
原則として、すべての講義は、オンラインライブ形式により概要説明と、ビデオオンデマンド方式を用いた(確実・詳細を担保するための)自習学習を前提とする。