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		 人工知能プログラミング
科目名（英文）
／Course		 Artificial Intelligence Programming
時間割コード
／Registration Code		 22270702
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		 ○菊井　玄一郎
オフィスアワー
／Office Hour		 菊井　玄一郎(火曜５時限，2606室)
開講年度
／Year of the Course		 2018年度
開講期間
／Term		 第4クォーター
対象学生
／Eligible Students		 3年次生（「知識情報処理」を単位取得していない平成27年度以前入学生）
単位数
／Credits		 1.0
授業概要情報
更新日
／Date of renewal		 2018/03/15
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		 機械学習を中心に統計的推測を行うアルゴリズムについて学ぶ．次の3つの手法の理解を目標とする．
１）サポートベクトルマシン
２）ナイーブベイズ
３）ニューラルネット（特に多層パーセプトロン）
履修に必要な知識?能力?キーワード
／Prerequisites and Keywords		 ソフトウエア演習Ｉ，ＩＩの単位は取得済であること．データ構造とアルゴリズム，人工知能，統計工学を履修している，あるいは，履修済みレベルの知識を持っていることが望ましい．
履修上の注意
／Notes		 本講義の内容は知能プログラムイング演習において演習を行う．
従って「知能プログラミング演習」の履修を強く進める．
授業は教員による一方的な説明ではなく，学生との対話を重視する．
積極的に発言すること．筋が通っていれば間違えていても構わない．むしろ間違いを歓迎する．
教科書
／Textbook(s)		 教科書はない．資料を配布（専用ウエブサイトに）する．
参考文献等
／References
自主学習ガイド
／Expected Study Guide outside Coursework/Self-Directed Learning Other Than Coursework		 必ずプログラムを作成すること．
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 [pythonによるデータの扱い]
pythonの概要とpythonによるデータ表現について学ぶ．
2 2-3 [SVMによる分類学習]
SMV(サポートベクトルマシン)による教師有り分類について学ぶ．
3 4 [ナイーブベイズ]
ナイーブベイズについて学ぶ．
4 5-7 [ニューラルネット]
ニューラルネットの基本としてＭＬＰ(多層パーセプトロン）について学ぶ．
5 8 [試験]
試験を行う
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 SVMの原理が説明できる． ○ ○ ○
2 ナイーブベイズの原理が説明できる． ○ ○ ○
3 多層パーセプトロンの学習と予測の方法が説明できる ○ ○ ○
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.		 受講態度
1 SVMの原理が説明できる． ○ ○
2 ナイーブベイズの原理が説明できる． ○
3 多層パーセプトロンの学習と予測の方法が説明できる ○ ○
評価割合（％）
／Allocation of Marks		 60 40

科目一覧へ戻る