理工学研究科Graduate School of Science and Engineering
FRI500X3（情報学フロンティア / Frontiers of informatics 500）脳情報処理特論２Neural Information Processing (Ⅱ)
平原 誠Hirahara MAKOTO
授業コードなどClass code etc
| 学部・研究科Faculty/Graduate school | 理工学研究科Graduate School of Science and Engineering |
| 添付ファイル名Attached documents | |
| 年度Year | 2022 |
| 授業コードClass code | YB021 |
| 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 | 水3/Wed.3 |
| 科目種別Class Type | |
| キャンパスCampus | 小金井 |
| 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 | |
| 実務経験のある教員による授業科目Class taught by instructors with practical experience | |
| カテゴリーCategory | 応用情報工学専攻 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
This course deals with machine learning that is one of the fastest growing areas of artificial intelligence. Topics include maximum likelihood method and EM algorithm for density estimation, support vector machine for classification and support vector regression for function approximation. This course places emphasis on mathematical derivation and computer implementation of the learning algorithms. Students are required to have a knowledge of probability, statistics, calculus, algebra, optimization and Excel skills to keep up with this course. At the end of this course, students are expected to derive the learning algorithms and implement them from scratch in Excel. Students will be expected to have completed the required assignments after each class meeting. Before/after each class meeting, students will be expected to spend four hours to understand the course content. Final grade will be calculated according to the following process: homework (70%), quizzes (20%), and in-class contribution (10%).
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
脳は現在のコンピュータにはない高度で柔軟な情報処理を行っている．ここでは，脳の情報処理を模倣したニューラルネットおよびその周辺技術を通じて，学習技術の理論および実装に関する基礎力を身に付ける．
到達目標Goal
学生は以下を身に着けることができる：
・学習理論の導出に関する基礎力．
・学習の視覚的な理解．
・学習理論を一から実装できる程度の基礎力．
・理論の改良や新理論の導出ができる程度の基礎力．
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」「DP2」「DP3」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. ）
学習技術はパターン認識，予測，制御，最適化など幅広く応用され，将来の情報処理技術の柱として発展していくことが期待される．理論の導出に重点を置くこととし，理解を深めるため，ライブラリ等を一切用いずに，一からの実装を試みる．課題等の提出・フィードバックは「学習支援システム」を通じて行う予定である．
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.)
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
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]：EMアルゴリズム
１変量正規分布，最尤法，実装
第2回[対面/face to face]：EMアルゴリズム
１変量混合正規分布，EMアルゴリズム，実装
第3回[対面/face to face]：EMアルゴリズム
多変量正規分布，最尤法，実装
第4回[対面/face to face]：EMアルゴリズム
多変量混合正規分布，EMアルゴリズム，実装
第5回[対面/face to face]：線形SVM
ハードマージン，主問題定式化，双対問題定式化
第6回[対面/face to face]：線形SVM
ソフトマージン，主問題定式化，双対問題定式化
第7回[対面/face to face]：線形SVM
SMO学習アルゴリズム
第8回[対面/face to face]：線形SVM
実装
第9回[対面/face to face]：非線形SVM
線形SVMによる非線形分離，実装
第10回[対面/face to face]：非線形SVM
カーネル，実装
第11回[対面/face to face]：線形SVR
主問題定式化，双対問題定式化
第12回[対面/face to face]：線形SVR
SMO学習アルゴリズム
第13回[対面/face to face]：線形SVR
実装
第14回[対面/face to face]：非線形SVR
線形SVRにようる非線形関数回帰，カーネル，実装
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・復習時間は、各４時間を標準とします。】前回の復習および毎回の宿題を欠かさないこと．
テキスト（教科書）Textbooks
資料を適宜配布する．
参考書References
図書館に数多くの参考書がある．
成績評価の方法と基準Grading criteria
課題７０％，小テスト２０％，平常点１０％，．
（変更の可能性がある．その場合には授業中にその都度お知らせする）
学生の意見等からの気づきChanges following student comments
アンケート結果では特に問題点が見つかりませんでしたので，前年度と同じペースで進める予定です．
学生が準備すべき機器他Equipment student needs to prepare
貸与パソコンを持参すること．
その他の重要事項Others
理論を深く理解するために線形代数，微分，最適化に関する数学的基礎知識を身につけておくこと．学習の様子を視覚的に捉えるため，実装はExcelのワークシート上で行う．Excelの基本的な使い方，特に絶対番地，相対番地，基本的な関数を学んでおくこと．
オンラインでの開講となった場合、オンライン授業の方法や授業計画の変更などについては、学習支援システムでその都度提示する。学習支援システムを通じた連絡がないか、日ごろからよく確認するようにしてください。