理工学部Faculty of Science and Engineering
FRI300XE（情報学フロンティア / Frontiers of informatics 300）機械学習演習Exercise on machine learning
彌冨 仁Hitoshi IYATOMI
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 | 2022 |
| 授業コードClass code | H6187 |
| 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 |
| 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) | |
| 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 |
応用情報工学科 学科専門科目 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
【outline and objectives】
In this course, students will learn the important points of machine learning technology, which is the core of the so-called "artificial intelligence (AI) technology". In addition, students will experience model building through exercises to acquire practical skills.
【method】
Python will be used for programming, and Google Colaboratory will be used as the environment. The first half of the class will consist of lectures on the necessary technologies, and the second half will consist of exercises.
【goal】
To acquire the key aspects of machine learning techniques, and to acquire the ability to collect data, build models, process, evaluate, and derive results (including certain implementation skills) according to the objectives.
【learning outside the classroom】
Make sure to understand and implement the contents of each lecture by working on the assigned homework, and also prepare for the contents of the next lecture.
Review the basics of Python programming done in the Information Technology Experiment I (Theme B).
【grading criteria】
Final exam or report 50%.
Homework and in-class reports 50% (to be given multiple times)
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
近年、爆発的な進歩と普及を遂げている、いわゆる“人工知能（AI）技術”の根幹をなす機械学習技術について重要事項を学び、演習を通じてモデル構築を体験し、実践的な能力を身につける。
到達目標Goal
機械学習技術の重要事項を身につけ、目的に応じて、データを収集、モデルを構築、処理し、評価し、結果を導く能力（一定の実装能力を含む）を獲得すること。
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. ）
プログラミングにはPythonを用い、環境としてGoogle Colaboratoryを活用する。授業の前半では必要な技術に関する講義を行い、後半では演習を行う。
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
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]：機械学習の導入と準備
機械学習の基礎、環境（Google Colaboratory)の準備
第2回[対面/face to face]：分類モデル(1)
線形分離可能、単純パーセプトロンとその学習、勾配法を用いたモデルの学習、特徴量のスケーリング （Pandasデータフレーム）
第3回[対面/face to face]：分類モデル(2)
（scikit-learnの活用）、学習データと評価データ、ロジスティック回帰とその学習、
第4回[対面/face to face]：分類モデル(3)
正則化による過学習への対処、support vector machine(SVM)による最大マージン分類、決定木の導入、k-nearest neighbor法
第5回[対面/face to face]：データの前処理と特徴量の選択
欠損データへの対処、カテゴリデータの処理、特徴量の尺度の統一、特徴量の選択と正則化、Random Forest
第6回[対面/face to face]：次元削減(1)
主成分分析(PCA), 線形判別分析（LDA)
第7回[対面/face to face]：次元削減(2)
カーネル法とカーネル主成分分析(Kernel PCA)
第8回[対面/face to face]：モデルの評価とハイパーパラメータ
（パイプライン）、cross-validation, 学習曲線の評価、ハイパーパラメータの探索、様々な性能指標
第9回[対面/face to face]：中間演習
これまでのまとめと演習
第10回[対面/face to face]：多数決（アンサンブル）
多数決による性能向上、Bagging,Boosting
第11回[対面/face to face]：テキスト処理入門
Bag-of-Wordsモデル、tf-idf,テキストデータのクレンジング、文書の分類、潜在ディリクレ配分によるトピックモデル
第12回[対面/face to face]：回帰分析
勾配降下法による求解、RANSACによる外れ値除外、正則化、多項式回帰、決定木・RandomForestによる非線形回帰、
第13回[対面/face to face]：クラスタ分析
K-means法、階層的なクラスタリング、DBSCAN,
第14回[対面/face to face]：まとめー深層学習へ
Back propagation neural networks (BPNN), Convolutional neural networks (CNN)の基礎と実践
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】課される宿題に取り組むことを通じて、各回の内容をしっかり理解し、実装できるようにするとともに、次の回の内容を予習しておく。
テキスト（教科書）Textbooks
Python機械学習プログラミング 第3版
Sebastian Raschkaら著 福島真太郎 監訳
株式会社 クイープ （￥4,000)
＜授業はこの本を用いて進めます。必ず購入してください＞
その他、Google Colaboratoryのnotebook資料を授業で配布する。
参考書References
「scikit-learn, Keras, TensorFlowによる実践機械学習」 O'Reilly
Aurelien Geron著 （長尾高広 訳）
成績評価の方法と基準Grading criteria
期末試験もしくはレポート 50％
宿題や授業内のレポート 50％ （複数回実施予定）
最終課題以外の授業内、あるいはレポート課題については、次回以降の授業内で説明を行い、評価については、授業支援システムなどを通じてフィードバックを行う。
学生の意見等からの気づきChanges following student comments
特になし。
学生が準備すべき機器他Equipment student needs to prepare
自身のPC
その他の重要事項Others
情報工学実験Ｉ（テーマB）で行ったPythonのプログラミングの基礎について、見直しておくこと。
国内外での企業実務経験、医学部や海外大学での研究経験を持つ教員が、その経験を活かし、研究や実務面での応用を踏まえた上で講義を行う。
～～～
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、成績評価方法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。担当教員から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。