情報処理(旧カリ)のシラバス情報

科目名称
Course title(Japanese)
情報処理 科目番号
Course number
科目名称(英語)
Course title(English)
Signal and Information Processing
授業名称
Class name
情報処理(旧カリ)
教員名 安藤 格士
Instructor
開講年度学期 2022年度 後期
Year/Semester
曜日時限 火曜2限
Class hours
開講学科
Department
先進工学部 電子システム工学科
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
ブレンド型授業/Blended format 
概要
Descriptions
コンピュータ技術の進歩は著しく、ネットワーク技術の発達とあいまって高度な情報処理が可能となっている。本講義では、現在発展の著しい機械学習の基礎となる多変量解析について、その数理を中心に学ぶ。
目的
Objectives
本講義では、多変量解析の数理的理論を理解することを目的とする。これは、発展著しい機械学習を理解するうえで、多変量解析の知識は必要不可欠である。本学科におけるディプロマ・ポリシー『自然と人間、社会に対する幅広い教養を持ち、電子システム工学分野の枠を超えて横断的にものごとを俯瞰できる能力』を身につけるための科目である。
到達目標
Outcomes
1 分散共分散行列を理解し、その意味を説明できるようになる。
2 回帰分析の数理を理解し、分析結果を論理的に説明できるようになる。
3 判別分析の数理を理解し、分析結果を論理的に説明できるようになる。
4 主成分分析の数理を理解し、分析結果を論理的に説明できるようになる。
履修上の注意
Course notes prerequisites
確率・統計、解析学、線形代数を十分に復習しておくこと。
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
- 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
準備学習: 配布するスライドを読み、予習をしておくこと。
復習: 各回ごとに課題があるので、課題を提出すること。 
成績評価方法
Performance grading
policy
全課題の採点結果で成績を評価する。
「フィードバックの方法」
課題の採点はすべてLETUSを通し開示する。また、課題に間違いがある場合もLETUSを通し連絡をする。締め切り前であれば、正解するまで何度でも課題を提出してよい。 
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
これなら分かる応用数学教室 -最小二乗法からウェーブレットまで- 金谷健一 共立出版
授業計画
Class plan
1 イントロダクション    多変量解析について
               多変量解析とは何かについて理解し、説明できる。

2 確立統計理論の基礎(1) 平均、分散、標準偏差、ヒストグラム、確率分布
               基本統計量を理解し、計算できる。また、ヒストグラム、確率分布、特に正規分布を理解し、説明できる。

3 確立統計理論の基礎(2) 母集団、標本、不偏推定量、標準誤差
               母集団、標本、不偏推定量、標準誤差の意味を理解し、説明できる。

4 多変量データ       多変量データ、期待値、分散、共分散
               多変量データの概念を理解できる。期待値、分散、共分散の意味を理解し、簡単な計算ができる。

5 共分散行列        共分散行列、相関行列、他次元正規分布
               共分散行列、相関行列、他次元正規分布を理解し、説明できる。

6 回帰分析(1)      最小二乗法
               線形方程式をベクトル、行列を用いて標記することができる。最小二乗法の原理を理解し、説明できる。

7 回帰分析(2)      最小二乗法の幾何学的考察
               最小二乗法を幾何学的な視点から理解し、説明できる。

8 過学習          過学習
               過学習を理解し、その回避法を説明できる。

9 判別分析(1)      判別分析
               フィッシャーの線形判別関数、2次判別関数を理解し、簡単な判別分析ができる。

10 判別分析(2)     判別分析の原理
               判別分析の原理を理解し、説明できる。

11 k-近傍法        k-近傍法
               k-近傍法の原理を理解し、簡単な判別ができる。

12 主成分分析(1)    主成分分析の原理1
               主成分分析と固有値、固有ベクトルとの関係を理解し、説明できる。

13 主成分分析(2)    主成分分析の原理2
               主成分分析の原理についてより深く理解し、説明できる。

14 主成分分析(3)    主成分分析の応用
               主成分分析の応用例として、画像の圧縮・復元、固有顔を理解し、説明できる。

15 まとめ         これまでの多変量解析手法の総まとめ
               これまでの多変量解析の手法をどの様にして実際のアプリケーションに応用できるかを考えることができる。
教職課程
Teacher-training course
実務経験
Practical experience
国内研究機関の研究員(情報系)の勤務実績を活かし、情報処理について講義する。
教育用ソフトウェア
Educational software
-
備考
Remarks
特になし。
9981401
CLOSE