| 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、ディープラーニングや自然言語処理等の最新の研究紹介を交えながら、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(Linuxのコマンド操作)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。演習問題を10回程度・プログラミング課題を3回程度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、全レポートを提出している事を受験条件とした
上で、2回の試験中で不合格であった回を範囲として合格点60点で再試験を行う。
|
| テキスト・参考書 |
教科書: 石井健一郎他, わかりやすいパターン認識. オーム社, 1998.
参考書1: 石井健一郎, 上田修巧, 続・わかりやすいパターン認識. オーム社, 2014.
参考書2: 谷口 忠大, イラストで学ぶ人工知能概論. 講談社, 2014.
参考書3: 杉山 将, イラストで学ぶ機械学習. 講談社, 2013.
|
| メッセージ |
ソフトコンピューティングや信号画像処理とも強く関連するため、それらの科目を同時に履修し、関係性を意識しなが
ら受講すると一層楽しめる。この分野をまとめて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 (2回)
ニューラルネットワークの概略(1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。
ニューラルネットワークの概略を説明できる。
|
| 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
|