| 授業の目標と概要 |
| 知識工学Ⅱでは，これまで学習してきた確率や統計等の知識を用いた，パタン認識理論や予測・推論の仕組みについて |
| 学んでいく．また，そのような仕組みを習得する過程で，人工知能分野における基盤の一つである「学習」についての |
| 理解を深める． |
|
| カリキュラムにおける位置づけ |
| 確率・統計ⅠおよびⅡで習得した知識を主な基盤として，パタン認識理論の初歩を学習する．また，未来の事象の確率 |
| 的予測，結果から原因を確率的に推測する方法について学びながら，適切な予測が可能な確率的ネットワークの構築法 |
| と，ネットワークを利用した基本的な推論法を習得することを目指す． |
|
|
|
| １．知識工学Ⅰの復習 |
2 |
| ２．学習と識別関数 |
4 |
| パタン認識の概要について述べ，学習の必要性および線形識別関数の設計方法について学ぶ． |
|
| ３．ニューラルネットワーク |
8 |
| 誤差評価に基づく学習アルゴリズムの概要を説明する．特にニューラルネットワークの学習モデルで |
|
| ある誤差逆伝搬法について取り上げる． |
|
| ４．機械学習の基礎 |
2 |
| 人工知能分野における機械学習の位置づけを理解し，機械学習の基本的事項についてまとめる． |
|
| ５．確率推論 |
6 |
| 機械学習で実現する確率推論に用いられる基本的計算法と，ベイズ統計学の基礎について解説する． |
|
| ６．実践的な確率推論 |
4 |
| 確率推論時に用いられるベイズの定理，およびその一般形について解説する． |
|
| ７．ベイジアンネットの基礎１ |
2 |
| 確率的ネットワークの一つであるベイジアンネットの定義や特徴についてまとめる． |
|
|
|
|
| ８．特徴空間の変換と部分空間法 |
8 |
| 特徴空間の次元削減の手法としてＫＬ展開・線形判別分析について学習する． |
|
| ９．部分空間法 |
8 |
| 特徴空間の次元削減と特徴判別を同時に行う方法として，部分空間法と類似度法について学習する． |
|
| １０．ベイジアンネットの基礎２ |
2 |
| 方向依存性分離によるノードの条件付独立性判定について解説する． |
|
| １１．ネットワークモデルの構造学習 |
6 |
| データからネットワーク構造を決定する基準について学び，具体的な構造学習法について解説する． |
|
| １２．ネットワーク構造を利用した確率推論法 |
4 |
| ネットワーク構造を用いた確率推論法として，サンプリング法と信念伝搬法について解説する． |
|
| １３．ベイジアンネットの応用・その他の機械学習法 |
2 |
| 現在のベイジアンネット研究のトレンド，応用分野について紹介する．また，その他の機械学習手法 |
|
| の特徴と，ベイジアンネットとの違いについて解説する． |
|
|
|
|
|
|
| 教科書 |
|
| 補助教科書 |
|
松原 望 著，入門 ベイズ統計 -意思決定の理論と発展-
|
|
| 履修上の注意 |
|
この科目は60時間の授業と30時間の自学自習を合わせて3単位認定する学修単位科目である．
知識工学Ⅰおよび確率・統計Ⅰ・Ⅱの内容を良く復習しておくこと．
|
|
| 評価基準 |
|
本科目を履修するにあたって必要な数学的基礎知識および，それらを使った理論の展開が出来るかどうかによって合否を判定する。
|
|
| 評価法 |
|
| 学習・教育目標 |
東京高専 |
|
JABEE |
|
