パターン認識 (4018)

授業科目基本情報

科目区分 専門科目 教職科目 指定なし
単位数 1 選択・必修・自由 選択
授業形態 講義 主な使用言語 日本語
開講時期
履修登録期間 2018/05/25~2018/06/07 履修取消期限 2018/07/03

教育プログラム別の履修区分

プログラム名 IS CB BS BN MS CP DS
履修区分
コア科目
履修方法 ・基盤科目及び専門科目から12単位以上履修すること。

授業科目概要

担当責任教員 舩冨 卓哉
担当教員 舩冨 卓哉、神原 誠之
教育目的/授業目標 マルチメディア処理の一つであるパターン認識技術の基礎習得を目的とする.
指導方針 数学的な定式化やアルゴリズムの詳細まで紹介する.Pythonのサンプルコードを配布するので,実際にアルゴリズムの動作を体験することを推奨する.

クラス情報



表示可能なデータがありません。

授業計画

回数 日付 [時間] テーマ 内容
1 6/29 [1] 概論 パターン認識の基本的な枠組みを紹介する.また,パターン認識分野における研究事例を紹介する.
2 7/3 [1] パターン認識における評価基準,決定木,過学習,Random forest パターン認識技術の性能評価方法について紹介する.また,決定木について紹介する.
さらに過学習と呼ばれる問題と,それへの対処の一つとしてRandom forest法を紹介する.
アンケートに事前に回答すること.
3 7/5 [1] 線形モデル,Ridge回帰,LASSO,最近傍法,k-d木 識別や回帰の基礎となる線形モデルについて述べる.サポートベクタマシンの定式化やカーネルトリックについて紹介する.また,最近傍法やそのための効率的なデータ構造であるk-d木について述べる.
4 7/10 [1] パーセプロトン,ニューラルネットワーク,深層学習の基礎 近年のパターン認識技術の基礎となるパーセプトロンやニューラルネットワークについて述べる.また,深層学習の基礎について述べる.
5 7/18 [1] 固有空間法 特徴空間の次元圧縮や選択手法として,主成分分析や判別分析について紹介する.
6 7/20 [1] パラメトリック固有空間法,部分空間法 パラメトリック空間法や部分空間法について紹介する.
7 7/24 [1] ベイズ推論,生成モデル,敵対的生成ネットワーク ベイズ推論,生成モデルについて紹介する.また,確率分布をモデル化する手法についてもいくつか紹介する.
8 7/26 [1] ロバスト統計,クラスタリング ノイズに頑健な手法としてロバスト時計を紹介する.また,教師なし学習手法としてクラスタリングを紹介する.

授業日程

回数 日付 時間 講義室 備考
1 6/29 1 L1
2 7/3 1 L1
3 7/5 1 L1
4 7/10 1 L1
5 7/18 1 L1
6 7/20 1 L1
7 7/24 1 L1
8 7/26 1 L1

テキスト・参考書

テキスト なし.スライド配布.
参考書 石井ら:わかりやすいパターン認識,オーム社,1998
 石井ら:続・わかりやすいパターン認識―教師なし学習入門―,オーム社,2014
 Stuart Russell, Artificial Intelligence: A Modern Approach, Prentice Hall, 2009.

その他

履修条件 データ解析基礎,微分積分学,最適化数学基礎の講義内容一部を習得していることを前提に講義を行う(単位取得は必要としない).
 最終課題にはPythonによるプログラミングの能力が必要.ただし,サンプルコードは配布する.
オフィスアワー Eメールで連絡の上、日時を決める
成績評価の方法と基準 ・5段階(秀・優・良・可・不可)で評価する。
・ミニテスト(40%)と実習レポート(60%)で評価する。
・与えられた問題に対して適切なパターン認識技術を選択し、その性能を評価するに足る知識の習得を基準とする。
関連科目 特になし
関連学位 工学
注意事項 特になし

授業関連URL



表示可能なデータがありません。

配布資料

  資料名 備考 公開期限
第2回 2018-07-03 revised 2019/03/31 学内専用
第3回 2018-07-05 revised 2019/03/31 学内専用
第4回 2018-07-10 revised 2019/03/31 学内専用
第5回 2018/08/17 学内専用
第6回 2018/08/19 学内専用
第7回 2019/03/31 学内専用
第8回 2018/08/25 学内専用