シラバス参照

授業情報／Course information

科目一覧へ戻る 2019/01/02 現在

授業基本情報
科目名（和文）
／Course		 システム工学
科目名（英文）
／Course		 Systems Engineering
時間割コード
／Registration Code		 22140301
学部（研究科）
／Faculty		 情報工学部
学科（専攻）
／Department		 情報システム工学科
担当教員（○：代表教員）
／Principle Instructor （○） and Instructors		 ○但馬　康宏
オフィスアワー
／Office Hour		 但馬　康宏(水曜2限、2604室)
開講年度
／Year of the Course		 2018年度
開講期間
／Term		 第2クォーター
対象学生
／Eligible Students		 2年次生（平成26年度以前入学生）
単位数
／Credits		 2.0
授業概要情報
更新日
／Date of renewal		 2018/03/05
使用言語
／Language of Instruction		 日本語
オムニバス
／Omnibus		 該当なし
授業概略と目的
／Cource Description and Objectives		 画像認識?音声認識?機械翻訳などの複雑な人工知能システムを実現するため，昔は，あらかじめ専門家が様々な場合を想定して，if A and B then C という「ルール」を多数書き下すことによりプログラムを作成していた．これをルール?ベースという．しかし，この論理的アプローチでは，多数のルールを全て人間が直接書き下さなければならないので実装が面倒である．また，知識を表現する場合にも，YES/NO しか許されず，「その可能性は高いけど，確実にそうとは言えない」と言った曖昧さを表現できない．そのせいで，ルール?ベースによる人工知能の実現は大変難しいことがわかってきた．そこで最近は，大量のデータを集め，それを「統計解析」したり「機械学習」することで，人間があれこれ細かい指示を行わなくても，それなりに挙動するシステムを簡単に実現できる統計的アプローチが主流となっている．この授業では，この「統計解析」や「機械学習」の基本を学ぶ．
履修に必要な知識?能力?キーワード
／Prerequisites and Keywords		 大学の基本的な数学（線形代数，微分，確率統計）
履修上の注意
／Notes
教科書
／Textbook(s)		 なし．講義資料を配布します．
参考文献等
／References		 授業の中で紹介します．
自主学習ガイド
／Expected Study Guide outside Coursework/Self-Directed Learning Other Than Coursework		 授業の最初に前回の復習として質問をするので，前回の資料を読んで復習すること．
授業で出て来た用語について自分でも調べてみること．
資格等に関する事項
／Attention Relating to Professional License
備考
／Notes
授業計画詳細情報
No. 単元（授業回数）
／Unit (Lesson Number)		 単元タイトルと概要
／Unit Title and Unit Description		 時間外学習
／Preparation and Review		 配布資料
／Handouts
1 1～2 [機械学習?素性選択?素性工学]
人工知能の基本は，人間がこまごまとした判断基準を教えなくても，機械自身が大量のデータからいろんな判断基準を自動獲得する「機械学習」である．そのときに，役に立つ情報を見極める基準である「カイ二乗値」「相互情報量」などを学ぶ．		 なし なし
2 3～4 [ データマイニング]
急速な技術の進歩により，大量の情報を入手できるようになった．その大量のデータから有益な情報を取り出すのがデータマイニングである．
「相関ルール」を高速に見つけるAprioriなどのアルゴリズムを学ぶ．		 なし なし
3 5～6 [擬似乱数?シャッフル]
コンピュータは，あらかじめプログラムされたようにしか動かないので，偏りが生じやすく，そのせいでいろんな問題が発生する．
計算機の中で乱数に似た数字を発生することで，偏りを緩和することができる．		 なし なし
4 7～8 [順位相関係数]
確率統計の授業で学ぶ普通の相関係数は，たった一つの点の位置が変わるだけで大きく値が変わるという問題点がある．この問題を緩和できる順位相関係数について学ぶ．		 なし なし
5 9～10 [身近な検定法]
自分の主張を論文にまとめるとき，実験やアンケートを行い，データで主張を裏付けるが，この時，読者を説得するのに重要なのが「p値」という数字であり，この数字を計算するのによく使われる検定法を学ぶ．		 なし なし
6 11～12 [最尤推定]
確率計算の背景にある「尤度」という概念について学ぶ．		 なし なし
7 13～15 [復習]
様々な問題を解くことで，学んだ技術を身につける．		 なし なし
8 16 [期末試験]
試験を行います．		 なし なし
授業評価詳細情報
到達目標及び観点／Learning Goal and Specific Behavioral Viewpoints
No. 到達目標
／Learning Goal		 知識?理解
／Knowledge & Undestanding		 技能?表現
／Skills & Expressions		 思考?判断
／Thoughts & Decisions		 伝達?コミュニケーション
／Communication		 協働
／Cooperative Attitude
1 人工知能の基本である機械学習を用いる時に，どのような情報が重要かを判断する基準となる指標について説明できる． ○ ○
2 大量のデータから有益な未知の規則を効率よく発見する「データマイニング」の考え方を説明できる． ○ ○
3 乱数が現実のどのような場面で使われているか，どのような問題があるか説明できる． ○ ○
4 実験データで相手を説得するのに不可欠なp値の概念と代表的な検定を説明できる． ○ ○
5 実験を繰り返すことで変化する「尤度」の概念と最尤推定について説明できる． ○ ○
成績評価方法と基準／Evaluation of Achievement
※出席は2/3以上で評価対象となります。
No. 到達目標
／Learning Goal		 定期試験
／Exam.
1 人工知能の基本である機械学習を用いる時に，どのような情報が重要かを判断する基準となる指標について説明できる． ○
2 大量のデータから有益な未知の規則を効率よく発見する「データマイニング」の考え方を説明できる． ○
3 乱数が現実のどのような場面で使われているか，どのような問題があるか説明できる． ○
4 実験データで相手を説得するのに不可欠なp値の概念と代表的な検定を説明できる． ○
5 実験を繰り返すことで変化する「尤度」の概念と最尤推定について説明できる． ○
評価割合（％）
／Allocation of Marks		 100

科目一覧へ戻る