| 授業の目標と概要 |
画像認識や音声認識などのメディア理解を行うコンピュータシステムにおいて重要なエンジン部となる
パターン認識(機械学習)を中心に、最新の研究成果も交えながら、古くて新しい実践的な学習理論を学ぶ。
キーワード：専門分野
|
履修上の注意
(準備する用具・
前提とする知識等)
|
本科目を履修するためには、線形代数と確率統計の知識が必要となる。また、実習課題を遂行するためには、
C言語によるプログラミングやUNIXリテラシーの知識が必須である。関数電卓を利用する場合もあるので
持参すること。演習問題・プログラミング課題を与えるので自学自習に努めること。
|
| 到達目標 |
基礎的な学習理論を理解し、各手法を数式及び概念図を用いて説明できる。実際のデータに対して学習・識別
処理を行うシステムを構成できる。
|
| 成績評価方法 |
試験による評価を7割、レポートによる評価を3割として合否判定点を算出し、60点合否判定を行う。試験に
よる評価は中間4割、期末6割の割合とする。合否判定点で不合格となった場合は、全レポートの提出を受験
条件とした上で、2回の試験中で不合格であった回全てを範囲として合格点70点で再試験を行う。出欠調査
後の入室は遅刻とし、遅刻は3回で1回欠席、居眠り・私語は注意しても改善が見られない場合欠席扱いとする。
|
| テキスト・参考書 |
教科書：石井健一郎他3名，わかりやすいパターン認識．オーム社，1998．その他、必要に応じて追加配布
資料等を随時ウェブページにて公開する。
|
| メッセージ |
信号画像処理やソフトコンピューティングとも強く関連するため、それらの科目との関係を意識しながら
受講すると一層楽しめる。積極的に取り組む程、面白さが見えてくる。これまでに得た知識を総動員して
頑張ろう。
|
| 授業の内容 |
授業項目 | 授業項目ごとの達成目標 |
線形代数の復習(ベクトル・行列・内積など) (1回)
パターン認識システムの概略 (1回)
最近傍決定則 (2回)
線形識別関数とパーセプトロン (3回)
|
基礎的な線形代数の計算ができる。
パターン認識システムの概略を説明できる。
最近傍決定則を説明できる。
線形識別関数とパーセプトロンを説明できる。
|
| 前期中間試験 |
実施する
|
確率統計の復習(ベイズの定理・共分散など) (1回)
ベイズ識別規則 (2回)
最尤法によるパラメータ推定 (2回)
クラスタリング (1回)
特徴空間の次元と学習パターン数の関係 (1回)
|
基礎的な確率統計の計算ができる。
ベイズ識別規則を説明できる。
最尤法によるパラメータ推定を説明できる。
クラスタリングを説明できる。
特徴空間の次元と学習パターン数の関係を説明できる。
|
| 前期期末試験 |
実施する
|