担当科目

データサイエンスと機械学習

情報数理の応用技術として、特に、大規模データ分析の観点から、パターン認識と学習理論を中心に講義を行います。
パターン認識は、広い応用分野を持つ極めて重要な問題を扱っており、数理的なモデル化により、一般的な問題として取り扱うことができます。ここで扱われる数々の技法は、情報処理の分野だけでなく、経営システム工学の分野においても基礎的な分析技術(ビジネスアナリティクス)として有用な方法論を提示しています。
本講義では、広い意味でのパターン認識の問題の数理モデルと分析手法、学習法などについて解説を行います。 また、それらの応用事例として、様々な経営上のデータ解析の応用問題についても触れます。
本講義の内容は、統計学や多変量解析などのデータ分析と密接な関係があるため、これらの関連する講義を平行して履修する事が望ましいと言えます。

本講義では、パターン認識の基本的な枠組みについて理解を得ると共に、具体的な応用と結び付けて情報数理の応用技術について説明することができるレベルまでの到達を目指します。 具体的には以下の事項について習得することを目標とします。


パターン認識問題の概要と経営システム工学分野における応用例: 基本的なパターン認識問題の概要を理解する。
データの整形手法、集約手法: データの基準化やKL展開(主成分分析)によるデータの集約など、データ整形の方法について理解する。
線形判別モデル: Fisherの線形判別モデルに基づくパターン認識の基礎とその限界について理解する。
テンプレートマッチング、k-NN法などの記憶に基づく方法: パターン認識手法の基礎となる距離に基づく方法を体系的に理解する。
非線形モデルとしてのニューラルネットワーク: 非線形な分類問題を扱うことが可能なニューラルネットワークによるパターン認識について理解する。
決定木モデルとアンサンブル手法: 木構造を用いた決定木モデルとそれらをランダムに生成して集約するランダムフォレストについて理解する。
統計的学習モデルとモデル選択: 確率モデルによるパターン認識のための学習モデルとモデル選択について理解する。


詳細は早稲田大学創造理工学部のシラバス検索

研究室紹介

このページの先頭へ戻る