山梨大学電子シラバス>検索結果一覧>授業データ



授業科目名
担当教員
データサイエンス応用特論
豊木 博泰
時間割番号
単位数
コース
履修年次
期別
曜日
時限
GTT510 1 (未登録) 1 前期 II
[概要と目標]
実験・観測を研究手段とする学生を対象に、データ処理における各種機械学習法の利用スキルを身につけることを目的とする。機械学習とは複数の観測量(変数)の間の関係をデータから推定する「教師あり学習」手法の総称で、クラス分類と回帰に大別されるが、本科目では基本的に回帰にのみ注目する。重回帰、非線形回帰、サポートベクトルマシンやランダムフォレストなどの回帰への応用、階層線形モデルをpython言語の統計モジュールscikit-learnを用いて体験的に学修する。
[到達目標]
・重回帰、重み付き冪関数近似、サポートベクトルマシン、ランダムフォレストを概念的に理解できる。
・サンプルデータあるいは自身の研究におけるデータについて、上述の各種手法を用いて変数間の関係を算出できる。
・交差検証の実行や典型的な精度評価指標を算出を行える。
[必要知識・準備]
処理言語としてpythonを用いる。pythonを使った経験の有無は問わないが、本授業を通じて利用できるようになる意欲は必要である。言語仕様について授業では簡単にしか触れられないが、時間外での質問には応じられる。
[評価基準]
No評価項目割合評価の観点
1小テスト/レポート 80  %毎回提示する実習課題についてのレポートで評価する 
2受講態度 20  %授業中の実習状況を評価する 
[教科書]
(未登録)
[参考書]
(未登録)
[講義項目]
1.はじめに
  実習の準備 (pythonのプログラミング初歩)
  データサイエンスの位置づけと課題 (データの関数近似:回帰を例に)
2.関数近似にかかわる問題
  過学習の回避 (ridge回帰、Lasso回帰)
  関数近似再訪
3.ベイズ推計の考え方
4.サポートベクトルマシンによる回帰
5.ニューラルネットやランダムフォレストを用いた回帰
6.階層線形モデル、混合モデル
7.交差検定、精度評価
8.総合演習

・実習が中心の授業なので、各自のパソコンにpython処理系を備えておくこと。Anaconda3を推奨するがGoogle Colab利用でもよい。それが困難な場合は、情報処理教室で受講すること。
・pythonに接したことがない学生のために、事前学習教材の提供と事前学習の機会を提供する。(5月)
[前年度授業に対する改善要望等への対応]
昨年度の授業評価アンケートの回答を踏まえ、今年度も対面(@情報メディア館実習室)とオンライン(Teamsを利用)受講を併用します。
授業開始に先立ち、データ処理の実例紹介・実習に用いるプログラミング言語pythonおよび図示等の基本モジュールの導入的な解説をオンラインで、5月連休明けより5回程度実施します。受講は自由です。