理工学部Faculty of Science and Engineering
COT200XF（計算基盤 / Computing technologies 200）情報システム工学Information Systems Engineering
劉 慶豊Qingfeng LIU
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 | 2024 |
| 授業コードClass code | H6524 |
| 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 | 火3/Tue.3 |
| 科目種別Class Type | |
| キャンパスCampus | 小金井 |
| 教室名称Classroom name | 小西館‐W303 |
| 配当年次Grade | 2年 |
| 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 |
経営システム工学科 学科専門科目 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
（Course outline）
This course introduces machine leaning methods and programming skills with basic Python Syntax.
（Learning Objectives）
The aim of the course is to enable students to develop their practical ability to analyze data using machine leaning methods.
（Learning activities outside of classroom）
Before/after each class meeting, students are expected to read the relevant books, understood the content, and completed the required assignments.
（Grading Criteria /Policy）
The evaluation will be based on exercises (40%) and a final report (60%).
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
機械学習は経済や経営における将来予測や現状分析に多用されている。ビッグデータ時代に必要とされる情報処理の能力を身につけるため、ニューラルネットワークや強化学習などの機械学習の基礎理論と実装の技法を学習する。実習でアヤメの分類問題、不動産価格の予測、画像生成などの課題を解く。
到達目標Goal
機械学習の基本的な方法を数理的に理解し、Pythonを利用した実装の技能を身につけ、実際のデータ分析の問題を解けるようになる。
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「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. ）
講義とコンピューター実習
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。
1[対面/face to face]：導入
機械学習の現在、開発環境の構築
2[対面/face to face]：Pythonの基礎
コンピューター実習
3[対面/face to face]：簡単なディープラーニング
簡単なディープラーニングの体験
4[対面/face to face]：ディープラーニングの理論
ディープラーニングの数理的な仕組みの学習
5[対面/face to face]：様々な機械学習の手法
回帰, K平均法, サポートベクトルマシン
6[対面/face to face]：畳み込みネットワーク(CNN)
CNNの各層の仕組みと実装
7[対面/face to face]：再帰型ニューラルネットワーク(RNN)
RNN, LSTM, 自然言語処理の概要
8[対面/face to face]：変分オートエンコーダ(VAE)
VAEの概要, 仕組みと実装, VAEによる画像の生成
9[対面/face to face]：敵対的生成ネットワーク(GAN)
GANの概要, 仕組みと実装, PyTorchによる実装
10[対面/face to face]：強化学習
強化学習の概要とアルゴリズム
11[対面/face to face]：深層強化学習
深層強化学習の概要と実装, 月面着陸船の制御の概要と実装
12[対面/face to face]：転移学習
転移学習の概要と実装
13[対面/face to face]：ファインチューニング
VGG16の導入, CIFAR-10
14[対面/face to face]：最終報告
チームワークによる実習課題の最終報告(GitHubを利用して)
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】事前に教科書や講義資料を読んで予習し、講義後に分析法の実装の練習を繰り返し行ってください。
テキスト（教科書）Textbooks
我妻幸長. 2021. Google Colaboratoryで学ぶ！人工知能技術の教科書 機械学習・深層学習・強化学習で学ぶAIの基礎技術. 翔泳社.
参考書References
Provost, F., & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking. O'Reilly Media, Inc.
成績評価の方法と基準Grading criteria
授業中の演習課題40%, 最終報告レポート60%
学生の意見等からの気づきChanges following student comments
授業中にアンケートを行い, 学生の理解度を踏まえて講義内容や難易度などを調整する。
学生が準備すべき機器他Equipment student needs to prepare
ノートパソコン
その他の重要事項Others
この講義の理解を深めるには, 「計量経済学」, 「マクロ経済学」, 「ミクロ経済学」, 「公共経済学」, 「金融政策論」, 「金融システム論」, 「社会システム概論」などの経済学関連講義を数多く履修すること, また, 微積・線形代数も履修することが必要です。経済学には必ずと言っていいほど, 行列・ベクトル・偏微分・全微分さらに多重積分, 微分・差分方程式が必要で, それらをすべて網羅した計画を立てて履修してください。