セミナー(原田)のシラバス情報

科目名称
Course title(Japanese)
セミナー 科目番号
Course number
科目名称(英語)
Course title(English)
Seminar
授業名称
Class name
セミナー(原田)
教員名 原田 拓
Instructor Taku Harada
開講年度学期 2022年度 前期~後期
Year/Semester 2022/First Semester, Second Semester
曜日時限 前期(火曜2限)、後期(火曜2限)
Class hours First Semester: Tuesday, Second Period
Second Semester: Tuesday, Second Period
開講学科
Department
理工学部 経営工学科
Department of Industrial Administration
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
概要
Descriptions
知能情報システムの設計・開発,評価について,その基礎知識を学習する.前期は,特に,最適化計算および機械学習のアルゴリズムおよび応用について学習する.最適化計算は機械学習と密接に関連するものである.後期は,機械学習を中心として,その基礎を学習する.本授業では,機械学習の中で「教師あり学習」および「強化学習」について,それらのアルゴリズムおよび応用を重点的に学習する.
目的
Objectives
知能情報システムの設計・開発技術およびデータ解析手法に関する専門知識を習得する.そのために,具体的なデータを扱いながら,システム設計・開発,評価実験を行う.利用する主なプログラミング言語はPythonである.
本科目は,本学科のディプロマ・ポリシー「修得した専門知識や教養をもとに、自ら課題を発見し、解決する能力。」に該当する科目である.
到達目標
Outcomes
最適化計算や機械学習などを利用した知能情報システムを設計・開発,評価することができるようになる.
履修上の注意
Course notes prerequisites
ノートパソコンを使用する.
授業の一部を校外研修として実施する場合がある.その場合,別日にて実施するが,参加できることが望ましい.
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
小テストの実施
Quiz type test
-
ディベート・ディスカッション
Debate/Discussion
グループワーク
Group work
-
プレゼンテーション
Presentation
反転授業
Flipped classroom
-
その他(自由記述)
Other(Describe)
-
準備学習・復習
Preparation and review
各回の授業内容を十分に復習しておくこと.
成績評価方法
Performance grading
policy
授業をすべて受けていることを前提とし,演習・レポート・課題発表などの結果で評価する.
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
前期
大谷紀子,進化計算アルゴリズム入門 生物の行動科学から導く最適解,オーム社,2018.
伊庭斉志,進化計算と深層学習 -創発する知能-,オーム社,2015.
古川正志,他,メタヒューリスティクスとナチュラルコンピューティング,コロナ社,2012.

後期
Sebastian Raschka, Vahid Mirjalili,[第3版]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,2020.
伊藤真,Pythonで動かして学ぶ! あたらしい機械学習の教科書 第2版,翔泳社,2019.
久保隆宏,Pythonで学ぶ強化学習[改訂第2版] 入門から実践まで,講談社,2019.
授業計画
Class plan
1.概要
 本授業の目的や学習内容の概要を理解する.

2-3.最適化計算の基礎
 最適化問題の特徴および最適化計算の基礎を理解する.

4-7.進化計算の基礎
 最適化アルゴリズムの1つの枠組みである進化計算について,その特徴および具体的なアルゴリズムを理解する.そのうえで,進化計算をスケジューリングシステムなど具体的な問題に応用することによって,進化計算を用いた応用システムを開発する.

8-9.機械学習の基礎
 機械学習の基礎を理解する.

10-13.最適化計算と機械学習
 機械学習において最適化計算が果たす役割を理解する.そして,いくつかの具体的な機械学習アルゴリズムを取り上げ,その内容について理解する.そのうえで,機械学習アルゴリズムを分類問題や制御問題など具体的な問題に応用することによって,機械学習を用いた応用システムを開発する.

14.議論
 ここまでの授業内容をふまえて,履修者全員で議論を行うことにより,授業内容の理解を深める.

15.まとめ
 本授業(前期)の内容をまとめ,理解を深める.

16.概要
 本授業(後期)の目的や学習内容の概要を理解する.

17-21.教師あり学習
 教師あり学習について,その特徴,具体的なアルゴリズム(Support Vector MachineやRandom Forestなど)を学習する.さらに,Pythonプログラミングを行い,実験を行うことによって理解を深める.

22-26.強化学習
 強化学習について,その特徴,具体的なアルゴリズム(Q-Learningなど)を学習する.さらに,Pythonプログラミングを行い,実験を行うことによって理解を深める.

27-28.ニューラルネットワーク
 ニューラルネットワーク(ディープラーニングを含む)について,その特徴およびアルゴリズムを理解する.さらに,教師あり学習や強化学習との関連性を理解する.

29.議論
 ここまでの授業内容をふまえて,履修者全員で議論を行うことにより,授業内容の理解を深める.

30.まとめ
 本授業の内容をまとめ,理解を深める.
教職課程
Teacher-training course
-
実務経験
Practical experience
-
教育用ソフトウェア
Educational software
-
備考
Remarks
-
9974223
CLOSE