English

年度	2024年度	開講部局	情報科学部
講義コード	KA240201	科目区分	専門教育科目
授業科目名	機械学習
授業科目名 （フリガナ）	キカイガクシュウ
英文授業科目名	Machine Learning
担当教員名	福嶋　誠
担当教員名 (フリガナ)	フクシマ　マコト
開講キャンパス	東広島	開設期	2年次生   後期   ３ターム
曜日・時限・講義室	(3T) 水1-4：教K201
授業の方法	講義	授業の方法 【詳細情報】
			講義と演習中心
単位	2.0	週時間		使用言語	B : 日本語・英語
学習の段階	3 : 中級レベル
学問分野（分野）	25 : 理工学
学問分野（分科）	02 : 情報科学
対象学生
授業のキーワード	パターン認識，機械学習
教職専門科目		教科専門科目
プログラムの中での この授業科目の位置づけ （学部生対象科目のみ）	座学と手計算中心で機械学習を学ぶ科目として位置づけられます．
到達度評価 の評価項目 （学部生対象科目のみ）	計算機科学プログラム （知識・理解） ・D1. 計算機科学の基礎となる理論体系を理解し，科学的論理性に基づいた情報処理技術を駆使して，高次元データを収集・処理するための知識と能力． データ科学プログラム （知識・理解） ・D1. 統計とデータ解析の理論体系を理解し，ビッグデータの質的／量的情報を的確かつ効率的に分析するための知識と能力． （能力・技能） ・A. 情報基盤の開発技術，情報処理技術，データを分析して新しい付加価値を生む技術． ・B. 新たな課題を自ら発見し，データに基づいた定量的かつ論理的な思考と，多角的視野と高度な情報処理・分析により，課題を解決する能力． 知能科学プログラム （知識・理解） ・D1. 人間が持つ高度な知能とその計算機による実現についての体系的な深い理解． （能力・技能） ・A. 情報基盤の開発技術，情報処理技術，データを分析して新しい付加価値を生む技術．
授業の目標・概要等	本講義ではパターン認識と機械学習について学びます．さまざまな機械学習手法を理解するために必要となる基本的な知識や技術を習得することを目標とします．
授業計画	第1回　授業ガイダンス／序論（1） 第2回　序論（2） 第3回　確率分布（1） 第4回　確率分布（2） 第5回　線形回帰モデル（1） 第6回　線形回帰モデル（2） 第7回　線形識別モデル（1） 第8回　線形識別モデル（2） 第9回　グラフィカルモデル（1） 第10回　グラフィカルモデル（2） 第11回　混合モデルとEM（1） 第12回　混合モデルとEM（2） 第13回　連続潜在変数（1） 第14回　連続潜在変数（2） 第15回　サンプリング法 提出課題を出題（第4，6，8，10，12，14回）．
教科書・参考書等	【参考書】 C. M. ビショップ著，元田浩，栗田多喜夫，樋口知之，松本裕治，村田昇監訳．パターン認識と機械学習 上．シュプリンガー・ジャパン，2007（初版），丸善出版，2012（再版）．（第1～8回） C. M. ビショップ著，元田浩，栗田多喜夫，樋口知之，松本裕治，村田昇監訳．パターン認識と機械学習 下．シュプリンガー・ジャパン，2008（初版），丸善出版，2012（再版）．（第9～15回） Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.（第1～15回）
授業で使用する メディア・機器等
	【詳細情報】	講義資料をMicrosoft Teamsを通して配布します．
授業で取り入れる 学習手法
予習・復習への アドバイス	講義資料を予習・復習に活用しましょう．
履修上の注意 受講条件等	微分積分学，線形代数学，確率論の基本的な事項を学習済みであることを前提として授業を進めます．3年次1タームの科目「神経回路網」を受講予定の学生は本科目「機械学習」も必ず受講してください．
成績評価の基準等	提出課題の成績により評価します．
実務経験
実務経験の概要と それに基づく授業内容
メッセージ	回によってはオンラインまたはオンデマンドで授業を実施する可能性や，第15回の講義順が前倒しになる可能性があります．いずれも該当する場合には事前に連絡します．
その他
すべての授業科目において，授業改善アンケートを実施していますので，回答に協力してください。 回答に対しては教員からコメントを入力しており，今後の改善につなげていきます。