2024欧洲杯投注官网_沙巴博彩公司-官网平台

图片
シラバス参照/View Syllabus

授業情報/Class Information

科目一覧へ戻る/Return to the Course List 2021/08/23 現在/As of 2021/08/23

基本情報/Basic Information

開講科目名
/Course
情報システム論b/INFORMATION THEORY OF SYSTEMS(B)
開講所属
/Course Offered by
経済学部経営学科/ECONOMICS MANAGEMENT
ターム?学期
/Term?Semester
2021年度/2021 Academic Year  秋学期/FALL SEMESTER
曜限
/Day, Period
金2/Fri 2
開講区分
/semester offered
秋学期/Fall
単位数
/Credits
2.0
学年
/Year
2,3,4
主担当教員
/Main Instructor
今福 啓

担当教員情報/Instructor Information

教員名
/Instructor
教員所属名
/Affiliation
今福 啓 経営学科/MANAGEMENT
授業の目的?内容
/Course Objectives
この講義は、実社会で広く利用されている「人工知能」というカテゴリで扱われる手法の詳細を学ぶことが目的です。具体的には教師あり学習、教師なし学習とよばれる分野に焦点をあて、どのような手法であるか学びます。

また、プログラミング言語Pythonを使って、実際に人工知能のプログラムを作成する実習を行います。

この講義では経済学部の学位授与方針に掲げる能力を育成するため、教育課程の編成?実施方針が示す学科専門科目としてコンピュータに関連する専門的な知識を習得し、コンピュータを実践的に使用するために必要となる力を身につけます。

履修後は、履修系統図が示す3年次以降の学科専門科目、教職関連科目、演習科目の学修を円滑に進めることができます。
授業の形式?方法と履修上の注意
/Teaching method and Attention the course
1. この講義はオンデマンド方式(動画を好きな時間に視聴して課題を作成する方法)で行うため、各自の所有するWindows、Mac、Chromebookを使用して受講してください。これらの機器は自分専用である必要はなく、定期的に使えれば問題ありません。

2. 動画の視聴および講義資料のダウンロードのため、通信環境を準備してください。

3. 受講生への連絡や資料の配布には、ビジネスチャットSlackを使用します。履修登録者には、Porta IIの講義連絡でSlackへの登録方法について連絡します。上記の連絡以外で、Porta IIやmanabaは使用しません。

4. 動画のアドレスはSlackに掲載しますので、初回講義までにSlackへの登録をお願いします。

5. 講義に関する質問などはメールではなくSlackのDMでお送りください。これは、Slackでは受講生からの全てのDMを管理しやすいためです。

6. 講義翌日までにSlackの講義連絡で課題や提出日を確認してください。
事前?事後学修の内容
/Before After Study
授業計画詳細情報にある 事前?事後学修の内容 を参照してください。

大学設置基準が定める学修時間に従い、1回の講義につき事前学修100分、事後学修100分、講義時間100分をあわせて300分、14回の講義全体で4200分の総学修時間となることを想定しています。
テキスト1
/Textbooks1
書籍名
/Title
著者
/Author name
出版社
/Publisher
ISBN
/ISBN
その他(任意)
/other
必要に応じて講義資料のファイルを配布します。
テキスト2
/Textbooks2
書籍名
/Title
著者
/Author name
出版社
/Publisher
ISBN
/ISBN
その他(任意)
/other
テキスト3
/Textbooks3
書籍名
/Title
著者
/Author name
出版社
/Publisher
ISBN
/ISBN
その他(任意)
/other
参考文献等1
/References1
書籍名/???名
/Title
見て試してわかる機械学習アルゴリズムの仕組み 機械学習図鑑
著者
/Author name
加藤公一、秋庭伸也、杉山阿聖、寺田学
出版社/URL
/Publisher
翔泳社
ISBN
/ISBN
ISBN978-4-7981-5565-4
その他(任意)
/other
参考文献等2
/References2
書籍名/???名
/Title
著者
/Author name
出版社/URL
/Publisher
ISBN
/ISBN
その他(任意)
/other
参考文献等3
/References3
書籍名/???名
/Title
著者
/Author name
出版社/URL
/Publisher
ISBN
/ISBN
その他(任意)
/other
評価方法
/Evaluation
3~4回の講義ごとに指定するプログラムの課題を作成してGoogleフォームに提出し、その内容を評価します(100%)。

Googleフォームに課題を提出すると、自分宛てに確認メールが送信されます。
届いたメールは課題を提出したことの証明となりますので、消さないようにしてください。

なお、提出が遅れたため課題をメールに添付して送るといった内容は受け付けませんので注意してください。
関連科目
/Related Subjects
コンピュータアーキテクチャ、情報通信ネットワーク、プログラミング論、データベース論、マルチメディア論、Webデザイン論、データマイニング論、アルゴリズム論
備考
/Notes
到達目標
/Learning Goal
コンピュータ内部でのデータ構造、情報処理手順、およびコンピュータ自身が問題の変化に応じて解決手順を構築する手法等に関して専門知識を習得し、コンピュータを用いたより効率的な問題解決ができるようにする。

/Time
授業計画(主題の設定)
/Class schedule
授業の内容
/Contents of class
事前?事後学修の内容
/Before After Study
1 ソフトウェアの準備 講義で使用するソフトウェアを準備する。Pythonを使ったプログラム作成の手順を確認する。 事前学修では、この講義で学ぶことを授業概要で理解する。
事後学修では、講義で使用するソフトウェアが正しく使用できるか確認する。
2 教師あり学習:ニューラルネットワーク、パーセプトロン 教師あり学習手法のニューラルネットワークを構成する要素のパーセプトロンについて学ぶ。 事前学修では、教師あり学習がどのような手法であるか確認する。
事後学修では、ニューラルネットが脳の構造を模倣して作られていることを確認する。
3 学習結果を詳細に分析する モジュールsklearnのclassification_reportを使って学習結果を詳細に分析する方法を習得する。 事前学修では、これまで正解率(Accuracy)のみで学習結果の良し悪しを比較していたことを確認する。
事後学修では、Accuracy, Precision, Recallの計算方法を確認する。
4 パーセプトロンの学習(理論) パーセプトロンの学習方法を理解する。 事前学修では、パーセプトロンの計算手順を確認する。
事後学修では、パーセプトロンの学習では入力に対する出力が教師信号に一致するよう学習により重みとバイアスを修正することを確認する。
5 パーセプトロンの学習(プログラム作成) パーセプトロンが学習するプログラムを作成する。 事前学修では、パーセプトロンで学習する手順を確認する。
事後学修では、作成したプログラムの構造を確認する
6 パーセプトロンを接続して一般的な問題を学習する パーセプトロン1つでは正しく分類できない問題や、出力が0と1以外となる問題を処理する方法を学ぶ。 事前学修では、パーセプトロン1つでは線形分離可能な問題しか学習できないことを確認する。
事後学修では、データを高次元空間に移すこと、活性化関数を変更することで学習できる問題が広がることを確認する。
7 ニューラルネットワークとバックプロパゲーション(理論) 人工ニューロンを複数並べてネットワークを構成したニューラルネットワークにおける学習方法を学ぶ。 事前学修では、ニューラルネットワークの構造を確認する。
事後学修では、ニューラルネットワークでどのように学習が行われるか確認する。
8 ニューラルネットワーク(プログラム作成) モジュールKerasを使ってニューラルネットワークによる学習を行うプログラムを作成する。 事前学修では、これまで作成したパーセプトロンを使った機械学習のプログラムを確認する。
事後学修では、モジュールを使った機械学習のプログラム作成手順を確認する。
9 学習結果を向上させる:k分割交差検証 正解率を向上させる方法を学び、プログラムを作成する。 事前学修では、機械学習を適用するだけでは望ましい結果が得られない場合があることを確認する。
事後学修では、特定の方法が常に良い結果を生み出すわけではないことを理解する。
10 将来的な値の予測(回帰) 機械学習ではクラス分類だけでなく、株価の将来価格のように過去の値から将来の値を予測する回帰問題を扱えることを、プログラムを作成して確認する。 事前学修では、すでに統計学入門で回帰について学んでいることを確認する。
事後学修では、予測の良し悪しを表す指標となるR2が何を表すか確認する。
11 ディープラーニング(理論) 極めて多くのニューロンを並べ、学習を工夫することで膨大なデータから自動的に特徴を抽出する手法のディープラーニングについて学ぶ。 事前学修では、ディープラーニングが実際にどのような場面で使われているか調べる。
事後学修では、ディープラーニングで正しく学習するために用いられている手法について確認する。
12 ディープラーニング(プログラム作成) ディープラーニングのプログラムを作成し、機械学習の手順を実習する。 事前学修では、ディープラーニングの理論的な内容を確認する。
事後学修では、作成したプログラムの構造を確認する。
13 教師あり学習2:ランダムフォレスト 教師なし学習手法のランダムフォレストについて学ぶ。プログラムを作成し、異なる機械学習手法の性能をプログラムの実行結果から比較する。 事前学修では、プログラム作成で使用するニューラルネットワークの構造について確認しておく。
事後学修では、講義で扱った学習手法の違いを確認する。
14 教師なし学習:k-means法 教師なし学習手法ではどのような学習を行うか確認し、具体的な手法としてk-means法の詳細を学ぶ。 事前学修では、教師あり学習と教師なし学習の違いを調べる。
事後学修では、k-means法の処理手順について確認する。

科目一覧へ戻る/Return to the Course List