| (1)授業の達成目標 | | 授業で得られる「学位授与の方針」要素 | ⇔ | 【授業の達成目標】 | | 大学ＤＰ | | 学士の称号にふさわしい基礎学力と専門的学力 | ⇔ | 人工知能に関して，漠然としたイメージではなく具体的な理解を持ち，その利用可能性と限界を自ら判断できるようになる． |
|
| (2)授業の概要 | 人工知能という言葉が流行って久しい昨今ですが，この講義では人工知能を担う一つの主要技術である機械学習について学びます．機械学習は統計学と並んでデータサイエンスの一翼を担う重要な技術であり，現代では既に機械学習が至るところで幅広く活用されています．この様な時代にあって適切な意思決定をしようと思えば，文系や理系といった枠組みに関わりなく機械学習の初等的な知識が必要です． 簡単な数学を少しだけ使うことになりますが，恐れる必要は全くありません．「高校時代に数学が苦手だった」「数学なんて何の役に立つのか分からない」と考えている方々にも機械学習の仕組みを易しく伝えたいと思います．
予備知識としては，高校数学IAIIB（いわゆる文科系数学の範囲，具体的には「数と式」「ベクトル」くらい）の初等的な概念があればよく，それも難しい大学入試の問題をすらすら解ける必要などはありません．この講義を通じて，数学を学ぶ意義を理解し，今後の学修に向けた動機を獲得していただきたいと思います．
また，理論だけでなく実際にデータを扱えるようにすることも重要です．この講義では後半に実際のデータ分析実習を行い，前半で学んだ機械学習の各手法で「実際にどのようなことができるのか」まで実感を持って理解できるようになることを目指します．その際，プログラミング言語としては，AI開発でよく利用されるPythonを用います．受講者のプログラミング経験は無いことを前提としますので，初心者でも大丈夫です． |
| (3)授業のキーワード | 文理融合，データサイエンス，人工知能，AI，機械学習，役に立つ数学，応用数学，数理モデル，Python，プログラミング |
| (4)授業計画 | ※以下の項目は，進度に応じて若干の順番や内容の変更が有り得ます．
・第1回：講義ガイダンス
・第2回：高校数学の復習
・第3回：微分法１
・第4回：微分法２
・第5回：ベクトルと行列
・第6回：線形回帰モデル
・第7回：最適化と勾配法
・第8回：ニューラルネットワーク
・第9回：クラスタリング
・第10回：Pythonの基本
・第11回：Pythonによるデータ処理
・第12回：Pythonによるデータ分析
・第13回：線形回帰モデル実習
・第14回：ニューラルネットワーク実習
・第15回：クラスタリング実習と授業アンケート実施
|
| (5)成績評価の方法 | 複数回の簡単な演習問題を課します（小レポート）ので，その取り組みで50点分．最後に最終レポートを課しますのでそれの配分が50点分．以上の100点満点とします． |
| (6)成績評価の基準 | 上記「成績評価の方法」に記載の得点に応じ，下記の基準によって成績を評価します。
・90点以上：秀（卓越している）
・80点以上90点未満：優（かなり上にある）
・70点以上80点未満：良（やや上にある）
・60点以上70点未満：可（その水準にある）
・60点未満：不可 |
| (7)事前事後学習の内容 | 講義時間以外にレポートへの取り組みが必要．60時間以上の時間外学習が必要． |
| (8)履修上の注意 | データ分析の実習では，データ分析を実際に皆さんのパソコンで実行していただきますので，インターネットに接続可能なノートパソコンがあることを前提にします．ノートパソコンを持参できない場合は，自宅等でネットワークに接続可能なパソコンで実習課題を行うこととします． |
| (9)質問,相談への対応 | メールアドレス（k_ohtake"あっと"shinshu-u.ac.jp）までご連絡下さい．
"あっと"を@に置き換えてください． |
| (10)授業への出席 | 体調に気を付けて，無理をしないで下さい．
出席はとらない． |
| (11)授業に出席できない場合の学修の補充 | eALPS上で案内します． |
| 【教科書】 | 無し． |
| 【参考書】 | 発展的学習に必要な文献を適宜紹介します． |
| 【添付ファイル】 |
なし |