金沢工業大学　学習支援計画書　E233-01
|| 英語(English)
学習支援計画書(シラバス)　検索システム
印刷
専門教育課程　ロボティクス学科(〜2024年度入学)
授業科目区分 科目名 単位数 科目コード 開講時期 履修方法
専門教育課程
専門科目
専門
機械学習
Machine Learning
 2 E233-01 2025年度
５期（前学期） 		修学規程第4条を参照
担当教員名
＊印は、実務経験のある教員を示しています。
授業科目の学習・教育目標
キーワード 学習・教育目標
1.人工知能 2.機械学習 3.回帰と分類 4.ニューラルネットワーク 5.決定木 人工知能の中心的なテーマの１つが機械学習である。機械学習は大量のデータからパターン やルールを学習し、それを基に予測を行うテクノロジーであり、AI実用化のための基盤であ る。本授業では、機械学習の基本理論と実践的スキルを学ぶことを目指す。機械学習の基礎 的なアルゴリズムやモデル構築の手法を学びつつ、PythonやScikit-learnなどのライブラリ を使用し、それらを実装する。
授業の概要および学習上の助言
　授業は、講義（質疑応答を含む）、演習、小テストおよびレポート課題を適宜組み合わせて進める。 　本科目で取り扱う中心的な内容を以下に示す。 　　　１．回帰と分類 　　　２．ニューラルネットワーク 　　　３．決定木 　授業は、授業明細表に沿って行うが、理解度に応じて予定を変更することがある。 　予習が重要であり、授業後に十分に復習を行い、レポート課題を実施することで知識を定着させ、使いこなせるようになる 。
教科書および参考書・リザーブドブック
教科書：指定なし 参考書：指定なし ﾘｻﾞｰﾌﾞﾄﾞﾌﾞｯｸ：指定なし
履修に必要な予備知識や技能
微積分、線形代数の知識とPythonでプログラミングできることを前提とする。
学生が達成すべき行動目標
No. 学科教育目標
（記号表記）
① M 回帰モデルに関する基本的な概念と手法を説明することができる。
② M ニューラルネットワークに関する基本的な概念と手法を説明することができる。
③ M 決定木に関する基本的な概念と手法を説明することができる。
④ M 機械学習の基礎的なアルゴリズムをPython言語で実装できる。
⑤
⑥
達成度評価
評価方法
試験 クイズ
小テスト		 レポート 成果発表
(口頭・実技)		 作品 ポートフォリオ その他 合計
総合評価割合 40 30 30 0 0 0 0 100
指標と評価割合 総合評価割合 40 30 30 0 0 0 0 100
総合力指標 知識を取り込む力 20 15 10 0 0 0 0 45
思考・推論・創造する力 20 15 15 0 0 0 0 50
コラボレーションと
リーダーシップ		 0 0 0 0 0 0 0 0
発表・表現・伝達する力 0 0 5 0 0 0 0 5
学習に取組む姿勢・意欲 0 0 0 0 0 0 0 0
※総合力指標で示す数値内訳、授業運営上のおおよその目安を示したものです。
評価の要点
評価方法 行動目標 評価の実施方法と注意点
試験 ① レ 総合的に達成度を評価するために、授業明細表に指定した予定で期末試験を行う。なお、授業の進行状況 に応じて予定が変更されることがある。
② レ
③ レ
④ レ
⑤
⑥
クイズ
小テスト		 ① レ 授業の理解度を測るために小テストを実施し、中間における振り返りとして中間テストを行う。 なお、授業の進行状況に応じて予定が変更されることがある。
② レ
③ レ
④ レ
⑤
⑥
レポート ① レ 授業内容の理解度を深め、実装力を身に着けるためにレポート課題を課す。
② レ
③ レ
④ レ
⑤
⑥
成果発表
(口頭・実技)		 ①
②
③
④
⑤
⑥
作品 ①
②
③
④
⑤
⑥
ポートフォリオ ①
②
③
④
⑤
⑥
その他 ①
②
③
④
⑤
⑥
具体的な達成の目安
理想的な達成レベルの目安 標準的な達成レベルの目安
授業で取り扱う基本的な概念と手法を正確に理解し、説明する ことができる。 授業で取り扱う基本的な概念と手法を概ね理解し、説明するこ とができる。
ＣＬＩＰ学習プロセスについて
一般に、授業あるいは課外での学習では：「知識などを取り込む」→「知識などをいろいろな角度から、場合によってはチーム活動として、考え、推論し、創造する」→「修得した内容を表現、発表、伝達する」→「総合的に評価を受ける、ＧｏｏｄＷｏｒｋ！」：のようなプロセス（一部あるいは全体）を繰り返し行いながら、応用力のある知識やスキルを身につけていくことが重要です。このような学習プロセスを大事に行動してください。
※学習課題の時間欄には、指定された学習課題に要する標準的な時間を記載してあります。日々の自学自習時間全体としては、各授業に応じた時間（例えば2単位科目の場合、予習2時間・復習2時間／週）を取るよう努めてください。詳しくは教員の指導に従って下さい。
授業明細
回数 学習内容 授業の運営方法 学習課題 予習・復習 時間：分※
１ ・授業のオリエンテーション ・機械学習の概要 ・線形回帰モデル ・Jupyter Notebook 講義（質疑応答を含む）と演 習 復習：講義内容の理解 120
２ ・多重線形回帰モデル ・勾配降下法 ・特徴スケーリング ・numpy 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：講義内容の理解 60 120
３ ・分類 ・コスト関数 ・ロジスティック回帰 ・正則化　 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：講義内容の理解 60 120
４ １回目から３回目の講義までに習ったモデルの実装演 習 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：実装 60 120
５ ・ニューラルネットワークの概要 ・ニューラルネットワークのモデル ・推論 ・推論の実装 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：講義内容の理解 60 120
６ ・ニューラルネットワークの学習 ・Pythonによる実装 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：講義内容の理解 60 120
７ ・モデルの評価 ・モデルの選択 ・バイアスとバリアンス（偏りと分散） ・データ拡張 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：講義内容の理解 60 120
８ ・決定木の概要 ・学習 ・決定木アンサンブル 講義（質疑応答を含む） 自己点検 予習：講義資料の指定範囲の通読 復習：講義内容の理解 60 120
９ 中間試験 自己点検 試験 復習：前半講義内容の理解 180
１０ ５週から８週の授業で習ったモデルの実装演習 講義（質疑応答を含む）と演 習 復習：実装演習 180
１１ ・教師なし学習の概要 ・クラスタリング ・k平均法 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：講義内容に関する理解 60 120
１２ ・レコメンドシステムの概要 ・協調フィルタリング ・コンテンツベースフィルタリング ・レコメンドシステムの実装 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：講義内容に関する理解 60 120
１３ ・強化学習 ・価値関数 ・ベルマン方程式 ・連続状態空間 ・深層強化学習 講義（質疑応答を含む）と演 習 予習：講義資料の指定範囲の通読 復習：講義内容に関する理解 60 120
１４ 総合演習 演習 予習：第１３回までの学習内容の 復習 180
１５ 期末試験 自己点検 試験 自己点検 復習：全講義内容の復習 120