シラバス参照

授業情報／Course information

科目名／Course: 知能プログラミング演習／Artificial Intelligence Programming Exercise
科目一覧へ戻る 2022/09/09 現在

授業基本情報
科目名（和文）
／Course		 知能プログラミング演習
科目名（英文）
／Course		 Artificial Intelligence Programming Exercise
時間割コード
／Registration Code		 22270801
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		 ○天嵜　聡介
オフィスアワー
／Office Hour		 天嵜　聡介(火曜 4 限 2506室
（＊急な会議?出張等のため不在にすることがあります）)
開講年度
／Year of the Course		 2022年度
開講期間
／Term		 第4クォーター
対象学生
／Eligible Students		 3年次生
単位数
／Credits		 1.0
授業概要情報
更新日
／Date of renewal		 2022/08/23
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		 機械学習を中心として人工知能に関するプログラミングの基礎技術に関する演習を行う．
ＳＶＭ，ナイーブベイズ，ニューラルネットの基礎的な技法，挙動について理解することを目的とする．
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は必ず履修しておくこと．データ構造とアルゴリズム，オブジェクト指向プログラミングを履修しておくことが望ましい．
履修上の注意
／Notes		 「人工知能プログラミング」と連携しているので，必ず同時に履修すること．
また，講義が始まるまでにPythonの基礎を自習しておくこと．
教科書
／Textbook(s)		 集中販売一覧表を参照
参考文献等
／References		 Pythonに関する入門書．
機械学習，ニューラルネットに関する入門書．
前者についてはＳＶＭ，ナイーブベイズ，パーセプトロン．
後者については多層パーセプトロン（マルチレイヤーパーセプトロン，ＭＬＰ）をカバーしているものが良い．
自主学習ガイド
／Expected Study Guide outside Coursework/Self-Directed Learning Other Than Coursework		 演習で使う環境は無料でダウンロードできるので各自のＰＣで色々と試すことを勧める．
資格等に関する事項
／Attention Relating to Professional License
アクティブラーニングに関する事項
／Attention Relating to Active Learning
実務経験に関する事項
／Attention Relating to Operational Experiences
備考
／Notes		 感染状況によっては，すべてオンライン授業（オンデマンド）にて実施する可能性がある。
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		 配付資料
／Handouts
1 1(1) [pythonによるデータの扱い]
オブジェクト指向の考え方，機械学習において必須のnumpyによるベクトル，行列の操作，グラフの書き方について演習する
2 1(2) [回帰]
回帰問題を解く方法である線形回帰，線形基底関数モデルを作り，その挙動を調べる
3 1(3) [分類（ロジスティック回帰）]
教師ありの分類問題を解く方法の基本であるロジスティック回帰モデルを実装し，その挙動を調べる
4 2(4-5) [ニューラルネット]
ツールを使わずに３層のパーセプトロンを作成したあと，ニューラルネット構築ツール(keras)を利用して多層パーセプトロンを作成し，実験を行う
5 1(6) [SVMによる分類学習]
scikit-learnを用いてSVMによる分類学習を試し，ハイパーパラメータの働きについて理解する
6 1(7) [ナイーブベイズ]
ナイーブベイズによる自動分類アルゴリズムを実装し，パラメータ値について考察する
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 機械学習に必要なpython プログラミング(numpy による配列操作など)ができる（E） ○ ○ ○
2 線形回帰，線形基底回帰モデルを用いて２次元データに対する回帰を行うことができる（E） ○ ○ ○
3 任意の次元の入力に対してロジスティック回帰モデルによる分類ができる（E） ○ ○ ○
4 多層パーセプトロンによる多クラス分類ができる（E） ○ ○ ○
5 SVM(Support Vector Machine)およびナイーブベイズによる分類ができる（E） ○ ○ ○
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.		 演習レポート 受講態度
1 機械学習に必要なpython プログラミング(numpy による配列操作など)ができる（E） ○ ○
2 線形回帰，線形基底回帰モデルを用いて２次元データに対する回帰を行うことができる（E） ○ ○
3 任意の次元の入力に対してロジスティック回帰モデルによる分類ができる（E） ○ ○
4 多層パーセプトロンによる多クラス分類ができる（E） ○ ○
5 SVM(Support Vector Machine)およびナイーブベイズによる分類ができる（E） ○ ○
評価割合（％）
／Allocation of Marks		 80 20

科目一覧へ戻る