知能情報（ソフトウェア科学２）のシラバス情報
| 科目名称 Course title(Japanese) |
知能情報 | 科目番号 Course number |
14MAAPM303 | |
|---|---|---|---|---|
| 科目名称（英語） Course title(English) |
Intelligent Information Processing | |||
| 授業名称 Class name |
知能情報（ソフトウェア科学２） | |||
| 教員名 | 橋口 博樹 |
|---|---|
| Instructor |
| 開講年度学期 | 2022年度 後期 |
|---|---|
| Year/Semester |
| 曜日時限 | 火曜3限 |
|---|---|
| Class hours |
| 開講学科 Department |
理学部第一部 応用数学科 |
|---|---|
| 外国語のみの科目 （使用言語） Course in only foreign languages (languages) |
- |
| 単位 Course credit |
2.0 | 授業の主な実施形態 Main class format |
対面授業/On-site classを基本としますが，場合によっては ハイブリッド型を利用します． LETUSを必ず閲覧してください |
|---|
| 概要 Descriptions |
統計解析は機械学習の基本であり，本講義では，機械学習の中でも多様体学習と呼ばれる方法について教授します．多様体学習は多変量解析の基本的な方法である主成分分析（Principle component analysis; PCA)や 多次元尺度構成法（Multidimensional analysis; MDS）をベースとして発展してきています．これらの古典的なPCAやMDSから多様体学習の最近の方法である確率的次元埋め込み法(Stochastic Neighbor Embedding;SNE)について学習していき，Pythonによる実習も行います． |
|---|---|
| 目的 Objectives |
知能情報（ソフトウェア科学）は応用数学科のカリキュラム・ポリシーに定めている３つの学問領域を基盤とする最先端の多様な専門教育を実行する科目です。また知能情報（ソフトウェア科学）は数学を中心とする基礎知識を習得すること，および応用数学科のカリキュラム・ポリシーに定める３つの学問領域を体系的に理解できる能力を養うことを実現するための科目です。知能情報（ソフトウェア科学）は知能数理領域の科目で、問題解決のためのデータ解析法やアルゴリズムを理解し，問題解決に役立てることを目的とします． |
| 到達目標 Outcomes |
多様体学習の数学的理論を身につけ，Ptyhonで実際のデータ解析ができるようになることが到達目標である． |
| 履修上の注意 Course notes prerequisites |
OSの学生はα群の３つの単位およびプログラミングの科目の単位を取得した者に限る．線形代数１，統計データ解析，多変量解析を履修していることが望ましい． 他学科の学生は，基本的な統計学の基礎とPythonのプログラミング経験者に限る．第1回目からノートパソコンを使うので持参すること． |
| アクティブ・ラーニング科目 Teaching type（Active Learning） |
|||
|---|---|---|---|
| 課題に対する作文 Essay |
あり | 小テストの実施 Quiz type test |
あり |
| ディベート・ディスカッション Debate/Discussion |
検討する | グループワーク Group work |
あり |
| プレゼンテーション Presentation |
検討する | 反転授業 Flipped classroom |
あり |
| その他（自由記述） Other（Describe） |
- | ||
| 準備学習・復習 Preparation and review |
非同期遠隔授業の時はビデオの内容を理解すること。 テキストで予襲復讐して下さい |
|---|---|
| 成績評価方法 Performance grading policy |
出席＜対面授業出席／リモート授業出席＞とレポートおよび理解度評価テストで成績を評価します。評価の比率は同等といたします。 |
| 学修成果の評価 Evaluation of academic achievement |
・S：到達目標を十分に達成し、極めて優秀な成果を収めている ・A：到達目標を十分に達成している ・B：到達目標を達成している ・C：到達目標を最低限達成している ・D：到達目標を達成していない ・-：学修成果の評価を判断する要件を欠格している ・S：Achieved outcomes, excellent result ・A：Achieved outcomes, good result ・B：Achieved outcomes ・C：Minimally achieved outcomes ・D：Did not achieve outcomes ・-：Failed to meet even the minimal requirements for evaluation |
| 教科書 Textbooks/Readings |
・教科書を使用する場合は、MyKiTS(教科書販売サイト)から検索・購入可能ですので以下のURLにアクセスしてください。 https://gomykits.kinokuniya.co.jp/tokyorika/ ・Search and purchase the necessary textbooks from MyKiTS (textbook sales site) with the link below. https://gomykits.kinokuniya.co.jp/tokyorika/ |
| 参考書・その他資料 Reference and other materials |
指定せず 適宜LETUSに資料を載せる予定 |
| 授業計画 Class plan |
第1回: ガイダンス，標本分散共分散行列と固有値問題， 本講義の概要を説明し，多様体学習とは何かを理解する． 実対称行列の直交行列での対角化，2次形式の復習を行う． 第2回：主成分分析1 主成分分析の理論を理解し，簡単な例でのPythonでの実習を行う． 第3回:主成分分析と特異値分解 主成分分析と特異値分解，固有値問題との関係を理解し，実際のデータ解析をPythonで行う． 第4回:多次元尺度構成法 多次元尺度構成法の理論を理解し，Pythonでの解析を行う． 第5回：位相多様体とリーマン多様体 データ解析の対象が与えられたときに，多様体の概念がなぜ必要になるかを理解する． 主成分分析，多次元尺度構成法が多様体学習における「線形な」学習方法であることを理解する． 第6回：非線形な多様体学習法によるデータ解析例 非線形な多様体学習法によるデータ解析例を見てみる． 第7回:ISOMAP(isometric feature mapping) この方法のアルゴリズムが，最近傍探索，グラフの構成，多次元構成法からなることを理解する． 第8回:LLE(Local Linear Embedding) この方法のアルゴリズムが，最近傍探索，制約付き最小二乗推定，主成分分析に似たスペクトル分解よる方法により構成されることを理解する． 第9回:ISOMAPとLLEの実例とPythonによるデータ解析 第10回：カーネル主成分分析 第11回：情報理論とt-SNE 第12回：多様体学習の評価方法の検討 第13回：到達度試験もしくはレポート課題． 第14回：多様体学習のその他の話題 第15回：まとめ |
|---|
| 教職課程 Teacher-training course |
本科目は、該当なし． ただし、教科に関する科目区分については、入学年度により異なるため、各自、入学年度または適用となる年度の学修簿により確認をしてください。 |
|---|---|
| 実務経験 Practical experience |
企業の研究所（1年），国の研究プロジェクト（２年）に従事 |
| 教育用ソフトウェア Educational software |
R, Mathematica,Python |
| 備考 Remarks |
|---|
| 9914719 |
