シラバス情報
|
教員名 ： 安藤 晋
|
科目授業名称（和文） Name of the subject/class (in Japanese)
マシンラーニング
科目授業名称（英文） Name of the subject/class (in English)
Machine Learning
授業コード Class code
998628D
科目番号 Course number
86MCDAA301
教員名
安藤 晋
Instructor
安藤晋（Shin Ando）
開講年度学期
2026年度後期
Year
2026年度
Semester
②Second semester
曜日時限
金曜2限
Class hours
Friday 2nd period
開講学科・専攻 Department
経営学部 経営学科
Department of Management, School of Management 単位数 Course credit
2.00単位
授業の方法 Teaching method
講義
Lecture 外国語のみの科目（使用言語） Course in only foreign languages (languages)
-
授業の主な実施形態 Main class format
① [対面]対面授業/ [On-site] On-site class
概要 Description
機械学習は人工知能（AI）において重要な技術のひとつである。
本講義では、経済経営分野において使用される頻度の高い基本的な機械学習手法について学ぶ。 具体的には、次元圧縮、行列分解、判別分析、サポートベクトルマシン、ニューラルネットワークについて理論とコンピュータ（Pythonを利用）による実際の解析方法の両面から学ぶ。 また、ディープラーニングの基礎的な理論を学習する。 目的 Objectives
本講義の目的は、本学部・学科のディプロマ・ポリシーに定める「グローバル化や地球環境問題など広範かつ多様なビジネス環境で発生している諸々の問題に対して自然科学及び社会科学の知識を活用して解明する」ことができる人材となるため、データ解析の手法であり、人工知能技術の基礎でもある機械学習の理論を学ぶとともに、それらの技術を修得することである。
到達目標 Outcomes
みなさんの到達目標は以下の機械学習手法についての理論を理解し、Pythonを用いて実際にデータの分析ができるようになる。また、得られた解析結果に対して解釈や考察ができるようになることである
・次元圧縮 ・判別分析 ・サポートベクトルマシン ・ロジスティック回帰 ・ニューラルネットワーク ・ディープラーニング 卒業認定・学位授与の方針との関係（学部科目のみ）
リンク先の [評価項目と科目の対応一覧]から確認できます（学部対象）。
履修登録の際に参照ください。 You can check this from “Correspondence table between grading items and subjects” by following the link(for departments). https://www.tus.ac.jp/fd/ict_tusrubric/ 履修上の注意 Course notes prerequisites
学部１年次の統計学、線形代数学、微分積分学に関する授業の単位を取得しており、かつ内容を十分に理解していること。
特に、以下については重要となる。 平均、分散、共分散、相関係数 行列の加法、減法、乗法、転置、逆行列、固有値 微分による最大値、最小値（極値）の求解 アクティブ・ラーニング科目 Teaching type（Active Learning）
小テストの実施 Quiz type test／実習 Practical learning
-
準備学習・復習 Preparation and review
単位の認定にあたっては、2単位あたり90時間の学修（各回の授業時間を2時間として、これに含む）が必要であると定められている。したがって、授業時以外において、毎週4時間程度の準備学習および復習が必要となる。それに照らし合わせて、次回の授業時までに以下を目安とした学習を自発的に行うこと：
復習（週2時間程度）：前回の授業内容を復習し、特に数式展開やコンピュータを使った分析方法については完全に分かるようにしておく。 準備学習（週2時間程度）：次回の授業内容を予習し、理解が困難な部分をあらかじめ把握しておく。予習に指定された課題に取り組む。 成績評価方法 Performance grading policy
小テスト（授業内筆記試験）・到達度評価・レポートによって成績を評価する。
それぞれの割合は30%，40%，30%である． ※小テストを全て欠席した場合、履修放棄とする ※到達度評価を無断で欠席した場合、履修放棄とする。 ※レポートを提出しなかった場合、履修放棄とする。 ※対面授業は８回以上教室で受講することが必須であるため、その条件を満たさない場合は履修放棄とみなす ※小テストおよび到達度評価の評価はLETUSで公開する． 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
教科書の使用有無（有=Y , 無=N） Textbook used(Y for yes, N for no)
N
書誌情報 Bibliographic information
授業資料はLETUSで公開する
MyKiTSのURL（教科書販売サイト） URL for MyKiTS(textbook sales site)
教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
https://gomykits.kinokuniya.co.jp/tokyorika/ It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store). https://gomykits.kinokuniya.co.jp/tokyorika/ 参考書・その他資料 Reference and other materials
「機械学習のための数学」Mar Peter Deisenroth他著／木下慶紀監訳（共立出版）2024
「統計的機械学習の数理100問」鈴木 讓（共立出版） 「ゼロから作るDeep Learning」斎藤康毅（オライリー・ジャパン） 授業計画 Class plan
第１回 データと表現第２回 推薦システムと交互最小二乗法小テスト（１）交互最小二乗法 第３回 主成分分析とグラフスペクトル小テスト（２）グラフスペクトル第４回 K平均法と混合分布推定第５回 K近傍法とサポートベクトルマシン（１）第６回 サポートベクトルマシン（２）小テスト（３）サポートベクトルマシン 第７回 ロジスティック回帰小テスト（４）ロジスティック回帰第８回 勾配降下法とニューラルネットワーク第９回 逆伝播法小テスト（５）逆伝播法第１０回 ディープラーニング第１１回 プログラミング演習（レポート課題説明）第１２回 プログラミング演習（勾配降下法）第１３回 プログラミング演習（評価指標・モデル選択・交差検証）第１４回 プログラミング演習（ディープラーニング）第１５回 到達度評価※小テストは進行状況を踏まえて随時授業内で実施する担当教員の実務経験とそれを活かした教育内容 Work experience of the instructor
-
教育用ソフトウェア Educational software
Mathematica
Python
Colaboratory 備考 Remarks
授業でのBYOD PCの利用有無 Whether or not students may use BYOD PCs in class
Y
授業での仮想PCの利用有無 Whether or not students may use a virtual PC in class
N
|
