シラバス参照/View Syllabus |
科目一覧へ戻る/Return to the Course List | 2024/04/09 現在/As of 2024/04/09 |
開講科目名 /Course |
情報システム論b/INFORMATION THEORY OF SYSTEMS(B) |
---|---|
開講所属 /Course Offered by |
経済学部経営学科/ECONOMICS MANAGEMENT |
ターム?学期 /Term?Semester |
2024年度/2024 Academic Year 秋学期/FALL SEMESTER |
曜限 /Day, Period |
金3/Fri 3 |
開講区分 /semester offered |
秋学期/Fall |
単位数 /Credits |
2.0 |
学年 /Year |
2,3,4 |
主担当教員 /Main Instructor |
今福 啓 |
遠隔授業科目 /Online Course |
- |
教員名 /Instructor |
教員所属名 /Affiliation |
---|---|
今福 啓 | 経営学科/MANAGEMENT |
授業の目的?内容 /Course Objectives |
この講義は、実社会で広く利用されている人工知能の主要な技術である機械学習についての幅広い知識を身につけると同時に、試行錯誤により望ましい行動を獲得する強化学習について理解することを目的とします。 理論的な内容を理解するだけでなく、プログラミング言語Pythonを使って実際にプログラムを作成する実習も行います。 プログラム作成を通じて、さまざまな問題を機械学習する手法についての理解を深めます。 この講義は情報システム論aを受講し、Pythonの基本的な文法と機械学習について理解していることを前提として進めます。情報システム論aのシラバスに目を通して、内容を理解できているか確認してください。 ---------- この講義では経済学部の学位授与方針に掲げる能力を育成するため、教育課程の編成?実施方針が示す学科専門科目としてコンピュータに関連する専門的な知識を習得し、コンピュータを実践的に使用するために必要となる力を身につけます。 履修後は、履修系統図が示す3年次以降の学科専門科目、教職関連科目、演習科目の学修を円滑に進めることができます。 |
||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|
授業の形式?方法と履修上の注意 /Teaching method and Attention the course |
講義はPC教室で、通常の講義形式で理論的な内容の説明を行うと同時に、コンピューターを使ったプログラム作成を行います。 自分が所有するコンピューター(WindowsまたはMac)を持参してプログラム作成してもかまいません。 その場合、講義第1回で説明するソフトウェアを各自のコンピューターにインストールしてください。 |
||||||||||
事前?事後学修の内容 /Before After Study |
授業計画詳細情報にある 事前?事後学修の内容 を参照してください。 ---------- 大学設置基準が定める学修時間に従い、1回の講義につき事前学修120分、講義時間100分、事後学修120分の学修時間となることを想定しています。 |
||||||||||
テキスト1 /Textbooks1 |
|
||||||||||
テキスト2 /Textbooks2 |
|
||||||||||
テキスト3 /Textbooks3 |
|
||||||||||
参考文献等1 /References1 |
|
||||||||||
参考文献等2 /References2 |
|
||||||||||
参考文献等3 /References3 |
|
||||||||||
評価方法 /Evaluation |
講義時間中に作成したプログラムをGoogleフォームに提出し、その内容を評価します(100%)。 提出物へのコメントは、提出締切の次の講義で行います。 期末の試験やレポート提出はありません。 Googleフォームにノートを提出すると、自動で確認メールが送信されます。 届いたメールは課題を提出したことの証明となりますので、必ず保存してください。 締切後の課題提出は受け付けませんので注意してください。 |
||||||||||
関連科目 /Related Subjects |
コンピュータアーキテクチャ、情報通信ネットワーク、プログラミング論、データベース論、マルチメディア論、Webデザイン論、システムズ?エンジニアリング、データマイニング論、アルゴリズム論、AI入門、データサイエンス入門、情報システム概論 | ||||||||||
備考 /Notes |
|||||||||||
到達目標 /Learning Goal |
コンピュータ内部でのデータ構造、情報処理手順、およびコンピュータ自身が問題の変化に応じて解決手順を構築する手法等に関して専門知識を習得し、コンピュータを用いたより効率的な問題解決ができるようにする。 |
回 /Time |
授業計画(主題の設定) /Class schedule |
授業の内容 /Contents of class |
事前?事後学修の内容 /Before After Study |
---|---|---|---|
1 | 講義の準備、進め方、成績評価 | 講義で使用するGoogleアカウントの取得、Google Chrome、Google Colaboratory、講義の進め方、成績評価の方法を説明する。 | 【事前学修】講義で学ぶ内容を授業概要を通じて理解する。 【事後学修】講義で使用するソフトウェアを正しく使用できるか確認する。 |
2 | プログラミング言語Pythonの復習、モジュールmatplotlibによるグラフ作成 | 情報システム論aで学習したPythonによるプログラム作成について確認すると同時に、グラフ作成に使用するモジュールmatplotlibの使い方を習得する。 | 【事前学修】Pythonの文法とプログラム作成の手順を確認する。 【事後学修】モジュールmatplotlibで作成できるグラフの種類や、グラフに追加できる要素について確認する。 |
3 | 画像データを機械学習する | 機械学習により画像データが何であるか分類し、別途用意した学習に使用していない画像を正しく分類できるか確認する。 | 【事前学修】画像データが2次元状のピクセルで構成されていることを確認する。 【事後学修】機械学習の際に画像のような2次元データを1次元データに変換することの必要性を確認する。 |
4 | 機械学習の結果の分析と実行回数 | 機械学習を行って得られた結果の指標について説明し、学習をどの程度の回数実行すればよいか判断する方法を学ぶ。 | 【事前学修】Accuracy, Presicion, Recall, 損失関数といった用語を調べる。 【事後学修】学習結果の見方を復習する。 |
5 | ディープラーニング(理論) | 膨大な数のニューロンを並べ、学習を工夫することでデータから自動的に特徴を抽出する手法のディープラーニングについて学ぶ。 | 【事前学修】畳み込み層、プーリング層、ドロップアウトといった用語を調べる。 【事後学修】ディープラーニングで効率良く学習するための構造を確認する。 |
6 | ディープラーニング(プログラム作成) | ディープラーニングのプログラム作成手順を実習する。 | 【事前学修】ディープラーニングの理論的な内容を確認する。 【事後学修】作成したプログラムの構造を確認する。 |
7 | 改めて画像データを機械学習する | ディープラーニングと一般的なニューラルネットワークを使った画像の機械学習を行うプログラムを比較し、性能の違いを検討する。 | 【事前学修】グレースケール、カラー画像データの構造を確認する。 【事後学修】作成したプログラムの構造を確認する。 |
8 | RNN(Reccurent Neural Network) | 文章を効率良く学習する機械学習手法であるRNNについて習得する。 | 【事前学修】RNNについて調べる。 【事後学修】より効率良く学習できるLSTM、BERT、GPT-4といった技術の概要を調べる。 |
9 | 文章を機械学習する(通常のニューラルネットワーク) | 文章を機械学習する際に必要な技術を学ぶと同時に、通常のニューラルネットワークでは学習結果が著しく悪くなることを確認する。 | 【事前学修】形態素解析とは何か調べる。 【事後学修】文章を前処理することで、文章を画像の学習と同様に行えることを確認する。 |
10 | 文章を機械学習する(RNN) | RNNが文章を機械学習する上で有効であることを理解し、機械学習するプログラムを作成する。 | 【事前学修】なぜ通常のニューラルネットワークで文章を学習できないか調べる。 【事後学修】RNNを使うことで、なぜ学習結果が向上するか確認する。 |
11 | 教師なし学習 k-means、PCA、t-SNE | 教師あり学習と教師なし学習の違いを理解した上で、教師なし学習の具体的な手法であるk-means、PCA、t-SNEの詳細を学ぶ。 | 【事前学修】教師あり学習と教師なし学習の違いを調べる。 【事後学修】k-means、PCA、t-SNEで何を行っているか確認する。 |
12 | ニューラルネットワークとは異なる機械学習手法 SVM、ランダムフォレスト | ニューラルネットワークとは異なる構造の機械学習手法について理解してプログラムを作成し、さまざまな機械学習手法の性能を実行結果から比較する。 | 【事前学修】SVM、ランダムフォレスト、他の機械学習手法について概要を調べる。 【事後学修】SVM、ランダムフォレストとニューラルネットワークの違いを確認する。 |
13 | 強化学習(理論) | コンピューターが自ら試行錯誤により望ましい行動を獲得する強化学習について理解する。 | 【事前学修】機械学習と強化学習の違いを調べる。 【事後学修】ディープラーニングが強化学習にも応用されていることを確認する。 |
14 | 強化学習(プログラム作成) | 迷路を解くといった簡単な問題を強化学習で解決するプログラムを作成する。 | 【事前学修】強化学習の理論を復習する。 【事後学修】報酬の設定によって問題解決の難易度が変わることを確認する。 |