人工知能Ⅱ (K32A)

学修到達目標	人工知能の中の機械学習に焦点を当て，機械学習の各種技法とニューラルネットワークについて理解し，説明できる。さらに，機械学習の実装に広く用いられているPython言語を使って，基本的な機械学習プログラムを実行できる。
授業形態及び授業方法	講義と演習による。
準備学習（予習・復習等）の内容・受講のための予備知識	学部科目「人工知能」など，基礎的な人工知能の科目の受講経験を有すること。準備学習として約30分～1時間でシラバスに記載の毎回の授業計画の内容を確認し，あらかじめ配付資料の該当箇所を一読し授業に臨むこと。授業で行った内容を見直すこと。

第1回	人工知能の歴史と機械学習
第2回	回帰分析（最小二乗法）
第3回	回帰分析（最尤推定法）
第4回	順伝播型ニューラルネットワーク
第5回	順伝播型ニューラルネットワーク（出力層の設計と誤差関数）
第6回	順伝播型ニューラルネットワーク（パーセプトロン）
第7回	順伝播型ニューラルネットワーク（ADALINEと確率的勾配降下法）
第8回	深層学習（ネオコグニトロンとその応用）
第9回	深層学習（畳込みニューラルネット1）
第10回	深層学習（畳込みニューラルネット2）
第11回	深層学習（自己符号化器）・人工知能の応用
第12回	サポートベクトルマシン（SVM）
第13回	決定木学習・k近傍法
第14回	k-近傍法・k-平均法
第15回	Pythonで機械学習

教科書	特になし。
参考資料コメント及び資料（技術論文等）	(1) Sebastian Raschka 『Python機械学習プログラミング－達人データサイエンティストによる理論と実践－』インプレス 2016年 (2) 中井悦司『ITエンジニアのための機械学習理論入門』技術評論社 2015年 (3) 岡谷貴之『深層学習』機械学習プロフェッショナルシリーズ講談社 2015年
成績評価の方法及び基準	授業への出席を前提に，課題レポートの提出(80%), 授業中の演習(20%).
質問への対応	随時。
研究室又は連絡先	船橋校舎２号館１Ｆ２１３室
オフィスアワー	月曜船橋 12:10 ～ 13:10
学生へのメッセージ

2020年 大学院理工学研究科 シラバス - 情報科学専攻