科目ナンバー

SS-AI3-5C34

履修条件・関連科目等

授業で使用する言語

日本語

授業で使用する言語（その他の言語）

授業の概要

本講義では，機械学習の代表的手法について，確率論および線形代数に基づく数理的観点から基礎的理解を深めることを目的とする．回帰および分類問題を中心に，線形モデル，最尤推定，正則化，ベイズ推定などの基本概念を体系的に学ぶとともに，生成モデルと識別モデルの違いを明確にする．さらに，サポートベクターマシン，クラスタリング，主成分分析といった代表的手法を取り上げ，機械学習における共通原理とその位置づけを理解する．本講義を通じて，個別手法の利用にとどまらず，機械学習モデルを数理的に捉え，適切に選択・解釈するための基礎力を養う．

科目目的

本科目の目的は，機械学習の基礎理論について，確率論および線形代数に基づく数理的理解を身に付けることである．回帰および分類問題の定式化，推定原理，および代表的学習手法の構造を理解し，機械学習モデルを数理的に捉えて適切に解釈する能力を養うことを目標とする．

到達目標

本講義を通じて，受講者は以下の事項を達成できるようになることを目標とする．
・機械学習における回帰および分類問題を数理的に定式化し，その基本構造を説明できる．
・最尤推定およびベイズ推定の考え方を理解し，代表的な線形モデルに適用できる．
・正則化の役割およびバイアス・分散トレードオフを説明できる．
・生成モデルと識別モデルの違いを理解し，代表的手法の特徴を比較できる．
・主成分分析やクラスタリングなどの教師なし学習手法の目的と原理を説明できる．

授業計画と内容

（１）機械学習とは何か
（２）機械学習のための確率・統計の基礎
（３）線形回帰モデルと最小二乗法
（４）確率的線形回帰と最尤推定
（５）正則化と過学習 ー バイアスと分散のトレードオフ
（６）ベイズ線形回帰入門
（７）分類問題とロジスティック回帰
（８）生成モデルによる分類 ― 線形判別分析（LDA）
（９）多クラス分類と性能評価指標
（１０）特徴空間とカーネル法の考え方
（１１）サポートベクターマシンの基礎
（１２）教師なし学習とクラスタリング
（１３）次元削減と主成分分析（PCA）
（１４）まとめと発展的話題

授業時間外の学修の内容

授業終了後の課題提出

授業時間外の学修の内容（その他の内容等）

授業時間外の学修に必要な時間数／週

・毎週１回の授業が半期（前期または後期）または通年で完結するもの。１週間あたり４時間の学修を基本とします。
・毎週２回の授業が半期（前期または後期）で完結するもの。１週間あたり８時間の学修を基本とします。

成績評価の方法・基準

成績評価の方法・基準（備考）

課題や試験のフィードバック方法

授業時間内で講評・解説の時間を設ける

課題や試験のフィードバック方法（その他の内容等）

アクティブ・ラーニングの実施内容

実施しない

アクティブ・ラーニングの実施内容（その他の内容等）

授業におけるICTの活用方法

実施しない

授業におけるICTの活用方法（その他の内容等）

実務経験のある教員による授業

いいえ

【実務経験有の場合】実務経験の内容

【実務経験有の場合】実務経験に関連する授業内容

テキスト・参考文献等

C.M. ビショップ (著), 元田 浩 (監訳),「パターン認識と機械学習 上」，丸善出版，2012年
C.M. ビショップ (著), 元田 浩 (監訳),「パターン認識と機械学習 下」，丸善出版，2012年

その他特記事項

参考URL