ML/2023

機械学習I/II 2023年度†

• 対象: 龍谷大学 先端理工学部 （3年1Q+2Q） / 理工学部 （3年前期）
  • 先端理工学部科目「機械学習I」(1Q)+「機械学習II」(2Q)と 理工学部科目「パターン情報処理」の合併開講です
• 担当: 高橋隆史
• リンクいろいろ
  • 「機械学習I」の Web シラバス / 「機械学習II」の Web シラバス
  • この科目のMoodleコース 初回の授業で参加法を説明します．詳しくは こちら．
  • この科目の GitHub リポジトリ
  • Web質問予約システム callTA （by 樋口先生）

大事なお知らせ†

ML/2023のNews†

• 2023-08-08 「機械学習II」（2Q）と「パターン情報処理」（前期）の成績集計の結果です: ML/result/2023
• 2023-07-24 0731月の授業時間中に試験を実施します．詳しいことは授業時間中や Teams 上で説明しています．
• 2023-05-30 「機械学習I」（1Q）の成績集計の結果です: ML/result/2023
• 2023-05-09 0529月の授業時間中に試験を実施します．詳しいことは授業時間中や Teams 上で説明します．
• 2023-03-30 この授業では，大事なお知らせや連絡，授業動画のアクセス制御のために Teams を使います． こちら を参照してチームに参加してください．
• 2023-02-14 このページを作成．まだないようがないよう．昨年度の様子を知りたい方は ML/2022 へどうぞ．

このウェブサイト共通のNews†

• 2024-03-07 このウェブサーバ www-tlab とその上にある TLAB Moodle のアップデートを行いました．Moodle は見た目も結構変わってます．

• 2023-08-12 この日に瀬田1号館の計画停電が予定されているため，このウェブサーバ www-tlab.math.ryukoku.ac.jp は前日夜から当日夜まで停止します．TLabMoodleも． その後もしばらくの間は，メンテナンスのために長時間停止する場合があります．

• 2023-07-18 TLABで2023年度後期-2024年度に特別研究（卒業研究）やりたいひと募集中．（募集は終了しました） 詳細はこちら

• 過去のNews

進行†

Table of Contents

注意 おまけ ex01 0410(Mon) オリエンテーションと準備 ex02 0417(Mon) 回帰のための教師あり学習／汎化と過適合 ex03 0424(Mon) 識別のための教師あり学習 ex04 0501(Mon) ロジスティック回帰＋勾配法によるパラメータの最適化 (1)(2) ex05 0508(Mon) ロジスティック回帰＋勾配法によるパラメータの最適化 (3)／ニューラルネットワークと深層学習 (1) ex06 0515(Mon) ニューラルネットワークと深層学習 (2)(3)／汎化と過適合 (2) ex07 0522(Mon) 決定木／事前学習済みモデルの利用 ex08 0529(Mon) 試験 ex09 0605(Mon) データの前処理 ex10 0612(Mon) 過適合の抑制とモデル選択 ex11 0619(Mon) 教師なし学習とは／K-平均法 ex12 0626(Mon) 主成分分析 ex13 0703(Mon) 主成分分析のつづき/確率密度の推定 ex14 0710(Mon) 統計的パターン認識入門/機械学習・人工知能の歴史 海の日 0717(Mon) ex15 0724(Mon) ビッグデータ / 機械学習・AIと社会 ex16 0731(Mon)

注意†

• 動画は，Microsoft Stream で配信してます．
  • 授業動画一覧 デフォルトではファイル名のリストですが，右上のアイコン（三みたいなの）をクリックして「タイル」（田みたいなの）に変更するとサムネイル画像が表示されます．
  • この授業の動画は，Teams チーム参加者のみが閲覧できます． ユーザ名とパスワードが求められたら全学統合認証ので．チームへ参加してから動画へアクセスできるようになるまで少し時間がかかる場合があるようです（数時間？）．
• 拡張子 .ipynb のファイルは，Google Colab の notebook です．
  • notebook は GitHub リポジトリ に置いてあります
  • notebook の扱い方については，第1回のページの Google Colab を使えるようになる を参照してください
  • 自分がコピーした Colab Notebook ファイルは，Google Drive の 「マイドライブ」 https://drive.google.com/drive/my-drive の中の「Colab Notebooks」に保存されてます．

おまけ†

omake おまけ課題

• 2023-07-10 omake06 を追加しました
• 2023-06-13 omake05 を追加しました
• 2023-05-07 omake04 を追加しました
• 2023-04-22 omake03 を追加しました

ex01 0410(Mon) オリエンテーションと準備†

• 授業のページ ex01
• 資料
  • 機械学習とは: ex01notebookA.ipynb
  • 直線の当てはめ: ex01notebookB.ipynb

ex02 0417(Mon) 回帰のための教師あり学習／汎化と過適合†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • 平面の当てはめ: ex02notebookA.ipynb + 説明動画 (18m)
  • 汎化と過適合: ex02notebookB.ipynb + 説明動画 (29m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex02notebookC.ipynb

ex03 0424(Mon) 識別のための教師あり学習†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • 識別とは／最短距離法: ex03notebookA.ipynb + 説明動画 (22m)
  • 最近傍法と k-近傍法: ex03notebookB.ipynb + 説明動画 (20m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex03notebookC.ipynb

ex04 0501(Mon) ロジスティック回帰＋勾配法によるパラメータの最適化 (1)(2)†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • ロジスティック回帰＋勾配法によるパラメータの最適化(1): ex04notebookA.ipynb + 説明動画 (22m)
  • ロジスティック回帰＋勾配法によるパラメータの最適化(2): ex04notebookB.ipynb + 説明動画 (33m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex04notebookC.ipynb

ex05 0508(Mon) ロジスティック回帰＋勾配法によるパラメータの最適化 (3)／ニューラルネットワークと深層学習 (1)†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • ロジスティック回帰＋勾配法によるパラメータの最適化(3): ex05notebookA.ipynb + 説明動画 (33m)
  • ニューラルネットワークと深層学習(1): ex05notebookB.ipynb + 説明動画 (24m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex05notebookC.ipynb

ex06 0515(Mon) ニューラルネットワークと深層学習 (2)(3)／汎化と過適合 (2)†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • ニューラルネットワークと深層学習(2): ex06notebookA.ipynb + 説明動画 (23m)
  • ニューラルネットワークと深層学習(3)+ 汎化と過適合 (2): ex06notebookB.ipynb + 説明動画 (20m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex06notebookC.ipynb

ex07 0522(Mon) 決定木／事前学習済みモデルの利用†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • 決定木: ex07notebookA.ipynb + 説明動画 (23m)
  • 事前学習済みモデルの利用: ex07notebookB.ipynb + 説明動画 (18m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex07notebookC.ipynb

ex08 0529(Mon) 試験†

「機械学習I」の最終回

試験

ex09 0605(Mon) データの前処理†

「機械学習II」の初回．exXY の XY は「機械学習I」からの通し番号です

「機械学習II」から参加するひとは，ex01 の内容に従って準備をしてください

• データの前処理(1) 質的特徴量や欠損値の扱い: ex09notebookA.ipynb + 説明動画 (26m)
• データの前処理(2) 特徴のスケーリング: ex09notebookB.ipynb + 説明動画 (16m)

ex10 0612(Mon) 過適合の抑制とモデル選択†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • 過適合の抑制とモデル選択(1): ex10notebookA.ipynb + 説明動画 (21m)
  • 過適合の抑制とモデル選択(2): ex10notebookB.ipynb + 説明動画 (20m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex10notebookC.ipynb

ex11 0619(Mon) 教師なし学習とは／K-平均法†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • 教師なし学習とは: ex11notebookA.ipynb + 説明動画 (23m)
  • K-平均法: ex11notebookB.ipynb + 説明動画 (23m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex11notebookC.ipynb

ex12 0626(Mon) 主成分分析†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • 次元削減(1) 主成分分析 前編: ex12notebookA.ipynb + 説明動画 (26m)
  • 次元削減(2) 主成分分析 中編: ex12notebookB.ipynb + 説明動画 (18m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex12notebookC.ipynb

ex13 0703(Mon) 主成分分析のつづき/確率密度の推定†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • 次元削減(3) 主成分分析 後編: ex13notebookA.ipynb + 説明動画 (18m)
  • 確率密度の推定: ex13notebookB.ipynb + 説明動画 (29m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex13notebookC.ipynb

ex14 0710(Mon) 統計的パターン認識入門/機械学習・人工知能の歴史†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • 統計的パターン認識入門: ex14notebookA.ipynb + 説明動画 (17m)
  • 機械学習・人工知能の歴史: ex14noteB.pdf + 説明動画 (44m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex14notebookC.ipynb

海の日 0717(Mon)†

ex15 0724(Mon) ビッグデータ / 機械学習・AIと社会†

• 次の notebook の閲覧・実行と動画の視聴は授業開始までの宿題です
  • ビッグデータ: ex15noteA.pdf + 説明動画 (16m)
  • 機械学習・AIと社会: ex15noteB.pdf+ 説明動画 (22m)
• 次の notebook は授業時間中に閲覧・実行することを想定しています
  • 演習・実習 ex15notebookC.ipynb

ex16 0731(Mon)†

「機械学習II」の最終回

takataka

龍谷大学
　先端理工/数理
　　高橋隆史
　　　時間割/2024

最新の25件

---

edit