科目名[英文名]
|
|
データサイエンス演習基礎
[Data Science Exercise]
|
|
時間割番号 |
B12630210 |
区分 |
電気・電子情報専門Ⅱ |
選択必須 |
選択 |
|
開講学期 |
後期 |
曜日時限 |
火6〜6 |
単位数 |
1 |
|
開講学部等 |
工学部 |
対象年次 |
3～ |
|
開講学科
|
電気・電子情報工学課程 |
開講年次 |
B3 |
|
担当教員[ローマ字表記] |
| 原田 耕治
HARADA Koji |
|
ナンバリング |
大分類1 |
大分類2 |
中分類 |
|
電気・電子情報
|
学部
|
共通基礎/共通基礎・指定なし
|
|
ELC_BAC31020 |
レベル |
小分類1（必修選択区分） |
小分類2（使用言語区分） |
|
高度な内容を扱う科目
|
必修以外
|
日本語
|
|
授業の目標 |
|
日本語
|
|
機械学習の基礎的な内容を学ぶ。機械学習を学ぶ上で必要となる、基礎的な機械学習の考え方・数学・Python・機械学習によく用いられるライブラリなどについて学び、機械学習アルゴリズムを実装できること。
|
|
英 語
|
To understand basic concepts of machine learning, mathematics, Python, libraries often used for machine learning and become able to implement machine learning algorithms.
|
| |
|
|
授業の内容 |
|
日本語
|
(オンデマンド) 第1週 イントロダクション
- 汎用型AI／特化型AI
- 構造化データ/非構造化データ
- AIの学習と推論、評価
- AIの開発環境と実行環境
(オンデマンド) 第2週 機械学習の数学1（微分）
- 関数の傾きと微分の関係
- 多項式函数の微分
- 指数関数の微分
- 合成関数の微分
- 偏微分
(オンデマンド) 第3週 機械学習の数学2（線形代数）
- スカラー
- ベクトル
- ベクトル・行列の演算
- 内積
- 行列積
- 逆行列
- ベクトルの微分
(オンデマンド) 第4週 機械学習の数学3 (統計）
- 代表値
- 正規分布
- 正規化
- 相関係数
- データクレンジング（外れ値、異常値）
(オンデマンド) 第5週 機械学習の数学4 (単回帰分析）
(オンデマンド) 第6週 機械学習の数学5 (重回帰分析）
(オンデマンド) 第7週 Pythonの基礎1
- Google Colaboratory の基本
- Colab の基本的な使い方
- Python の特徴
- データ構造
- 制御構文（for文、while文、if文）
(オンデマンド) 第8週 Pythonの基礎2
- 関数とは
- 関数を定義する方法
- 様々な種類の関数を定義
(オンデマンド) 第9週 Pythonの基礎3
- クラスとは
- クラスの定義方法
- 変数を持ったクラス
- 関数を持ったクラス
- プログラムの管理
(オンデマンド) 第10週 数値計算
- NumPy の基礎
- 多次元配列を用いた計算方法
- NumPy を用いた重回帰分析
(オンデマンド) 第11週 データ処理と可視化
- Pandas によるデータ処理の基礎(集計処理、ソート処理、フィルタリング処理、欠損値の除去・補完）
- Matplotlib によるデータ可視化の基礎(棒グラフ、折れ線グラフ、散布図、ヒートマップ)
(オンデマンド) 第12週 機械学習の実装
- 教師あり学習（回帰）：重回帰分析、リッジ回帰、ラッソ回帰、過学習、相関関係と多重共線性、PLS
(オンデマンド) 第13週 機械学習の実装
- 教師あり学習（分類）：決定木、SVM、k近傍法、ロジスティック回帰、混合行列、Accuracy, Precision, Recall, F値
(オンデマンド) 第14週 機械学習の実装
- ハイパーパラメータ調整：学習データと検証データ、ホールドアウト法、k-分割交差検証法、グリッドサーチ、ランダムサーチ、ベイズ最適化
(オンデマンド) 第15週 機械学習の実装
- 教師なし学習：主成分分析、k-平均法
本学の新型コロナウィルス感染拡大防止のための活動基準の変更に伴い、授業内容および成績の評価法に変更が生じる場合があります。
授業実施形態が変更になる場合は、GoogleClassroomや教務情報システムより通知する。
|
|
英 語
|
On-demand (You can take the class whenever you want.) using e-Learning materials in Japanese.
(On Demand) Week1 Introduction
- General-purpose AI / specialized AI
- Structured / unstructured data
- AI learning, reasoning, and evaluation
- AI development environment and execution environment
(On Demand) Week2 Mathematic for Machine Learning 1 (Differentiation)
- Relationship between function slope and derivative
- Differentiation of polynomial function
— Differentiation of exponential functions
- Differentiation of composite function
- Partial differential
(On Demand) Week3 Mathematic for Machine Learning 2 (linear algebra)
- Scalar
- vector
- Vector / matrix operations
- Inner product
- Matrix product
- Inverse matrix
- Vector differentiation
(On Demand) Week4 Mathematic for Machine Learning 3(statistics)
- Representative value
- normal distribution
- Normalization
- Correlation coefficient
- Data cleansing (outliers)
(On Demand) Week5 Mathematic for Machine Learning 4 (Simple regression analysis)
(On Demand) Week6 Mathematic for Machine Learning 5 (Multiple regression analysis)
(On Demand) Week7 Basics of Python
- Basics of Google Colaboratory
- Basic usage of Colab
- Characteristics of Python
- data structure
- Control syntax (for statement, while statement, if statement)
(On Demand) Week 8 Python Basics 2
--What is a function?
--How to define a function
--Define various types of functions
(On Demand) Week 9 Python Basics 3
― What is a class?
- How to define a class
- Class with variables
- Class with function
- Program management
(On-demand) Week 10 Numerical calculation
- Basics of NumPy
- Calculation method using multidimensional array
- Multiple regression analysis using NumPy
(On-demand) Week 11 Data processing and visualization
- Basics of data processing by Pandas (aggregation processing, sorting processing, filtering processing, removal / completion of missing values)
- Basics of data visualization with Matplotlib (bar charts, line charts, scatter charts, heatmaps)
(On-demand) Week 12 Implementation of machine learning
- Supervised learning (regression): multiple regression analysis, ridge regression, lasso regression, overfitting, correlation and multicollinearity, PLS
(On-demand) Week 13 Implementation of machine learning
- Supervised learning (classification): decision tree, SVM, k-nearest neighbor method, logistic regression, confusion matrix, Accuracy, Precision, Recall, F value
(On-demand) Week 14 Implementation of machine learning
- Hyperparameter adjustment: training data and validation data, holdout method, k-split cross validation method, grid search, random search, Bayesian optimization
(On-demand) Week 15 Implementation of machine learning
- Unsupervised learning: Principal component analysis, k-means clustering
If there will be any changes regarding Toyohashi University of Technology Activity Restrictions Level for
Preventing the Spread of Corona virus, the course content and evaluation of achievement are subject to change.
If there is any changes about a class schedule, I will inform you on Google Classroom or KYOMU JOHO SYSTEM.
|
| |
|
|
予習・復習内容 |
|
日本語
|
予習(30分）と復習（30分）には、Moodle 上に公開されたeラーニング教材を参照する。
|
|
英 語
|
|
e-Learning materials are supplied in Moodle for preparation and review for around 30 minutes each.
|
| |
|
|
備考 |
|
日本語
|
|
|
|
英 語
|
|
|
| |
|
|
|
|
関連科目 |
|
日本語
|
|
|
|
英 語
|
|
|
| |
|
|
教科書
|
|
|
|
|
|
教科書に関する補足事項 |
|
日本語
|
|
|
|
英 語
|
|
|
| |
|
|
参考書
|
|
|
|
|
|
参考書に関する補足事項 |
|
日本語
|
|
|
|
英 語
|
|
|
| |
|
|
達成目標 |
|
日本語
|
１．基礎的な機械学習の考え方を理解すること
２．Pythonの基礎を理解すること
３．機械学習によく用いられるライブラリなどについて学び、機械学習アルゴリズムを実装できること
|
|
英 語
|
1 To understand basic concepts of machine learning
2 To understand basics of Python
3 To understand libraries often used for machine learning and become able to implement machine learning algorithms.
|
| |
|
|
成績の評価法(定期試験、課題レポート等の配分)および評価基準 |
|
日本語
|
15個あるすべてのe-Learning教材を学習したものにつき，教材内で出題された課題レポートにより評価する。
S:90%以上 A:80-89% B:70-79% C:60-69%
|
|
英 語
|
Students who study all of 15 e-Learning materials will be evaluated by
reports shown in the teaching materials.
S: 90% or higher A: 80-89% B: 70-79% C: 60-69%
|
| |
|
|
定期試験 |
|
日本語
|
|
試験期間中には何も行わない
|
|
英 語
|
|
None during exam period
|
| |
|
| |
|
定期試験詳細 |
|
日本語
|
|
|
|
英 語
|
|
|
| |
|
|
その他 |
|
日本語
|
|
|
|
英 語
|
|
|
| |
|
|
ウェルカムページ |
|
日本語
|
|
|
|
英 語
|
|
|
| |
|
|
オフィスアワー（教員の連絡先は教務情報システムからシラバス検索してください） |
|
日本語
|
|
火曜 午後 ４ 時-５ 時
|
|
英 語
|
|
Thuesday 4-5 p.m.
|
| |
|
|
ディプロマポリシーとの対応 |
|
日本語
|
(D1)電気・電子情報工学の基盤となる物理，化学，電気・電子回路，制御，システム工学，材料工学，エネルギー変換工学，情報通信等の諸学問に関する知識を獲得し，それらを問題解決に応用できる実践的・創造的能力を身につけている。
|
|
英 語
|
(D1) Acquire knowledge in various disciplines underlying electrical and electronic information engineering, including physics, chemistry, electric/electronic circuits, control, system engineering, material engineering, energy conversionenergy conversion engineering as well as information and communication; and have the practical and creative skills to apply such knowledge to problem solving
|
| |
|
|
キーワード |
|
日本語
|
|
機械学習、データサイエンス
|
|
英 語
|
|
Machine Learning, Data Science
|
| |
|
|
|
|