学部・大学院区分
Undergraduate / Graduate

理・博前

時間割コード
Registration Code

2600020

科目区分
Course Category

データサイエンス科目群
Data Science Classes

科目名　【日本語】
Course Title

機械学習概論Ｍ

科目名　【英語】
Course Title

Introduction to Machine Learning M

コースナンバリングコード
Course Numbering Code

担当教員　【日本語】
Instructor

竹内努 ○ 赤穂昭太郎

担当教員　【英語】
Instructor

TAKEUCHI Tsutomu ○ AKAHO Shotaro

単位数
Credits

開講期・開講時間帯
Term / Day / Period

春集中その他その他
Intensive(Spring) Other Other

授業形態
Course style

講義
Lecture

学科・専攻
Department / Program

理学研究科素粒子宇宙物理学専攻

必修・選択
Required / Selected

選択

授業の目的　【日本語】
Goals of the Course(JPN)

機械学習の全体像を理解し、問題設定ごとにどのようなアプローチがあるかを学ぶ。

授業の目的　【英語】
Goals of the Course

To understand the problem awareness and problem setting of machine learning, and learn typical methods for each problem.

到達目標　【日本語】
Objectives of the Course(JPN))

機械学習の代表的な問題設定を知り，それらに対する適切なアプローチを選択して自身の持つ問題に適用できるようになる．

到達目標　【英語】
Objectives of the Course

Students will be able to know typical problem settings of machine learning, select an appropriate approach to them, and apply them to your own problems.

授業の内容や構成
Course Content / Plan

1. 機械学習のオーバービュー
機械学習の大まかな歴史や他の分野との関連性、基本的な枠組みや基本的な手法、また、汎化能力など機械学習における重要な考え方について説明する。

2. 次元縮約のための手法
主成分分析などの次元縮約の方法や使用する際の注意点などについて説明する。

3. スパースモデリング
変数選択の手法であるスパースモデリングについて説明し、ブラックホールの画像構成などへの応用を紹介する。

4. ベイズモデリング
対象に対する知識をモデリングに反映させるベイズモデリングについて説明し、モデリングのためのベイジアンネットワークや、数々の推論アルゴリズムを紹介する。

5. 統計的決定理論と強化学習
機械学習で推論した後に何らかの決定を行うという枠組みについて解説し、関連する話題である多腕バンディット問題、能動学習、強化学習について紹介する。

6. 深層学習の基礎
大規模言語モデルや生成モデルなど社会に大きな影響を与えている深層学習について、
基礎となるニューラルネットワークから説明する。また、深層学習でさかんに研究されている説明性についても紹介する。

7. 談話会
情報幾何学の基礎や機械学習との関連性などについて説明する。

1. Machine learning overview
We will explain the general history of machine learning, its relationship with other fields, the basic framework and methods, and important ideas in machine learning such as generalization ability.

2. Techniques for dimension reduction
Explains methods of dimensional reduction such as principal component analysis and points to note when using them.

3. Sparse modeling
We will explain sparse modeling, which is a variable selection method, and introduce its application to black hole image reconstruction.

4. Bayesian modeling
We will explain Bayesian modeling, which reflects knowledge about the subject in modeling, and introduce Bayesian networks and various inference algorithms for modeling.

5. Statistical decision theory and reinforcement learning
We will explain the framework of making some kind of decision after inference using machine learning, and introduce related topics such as the multi-armed bandit problem, active learning, and reinforcement learning.

5. Fundamentals of deep learning
About deep learning, which has a great impact on society, such as large-scale language models and generative models,
Let's start with the basic neural network. We will also introduce explainability, which is being actively researched in deep learning.

6. Discourse
We will explain the basics of information geometry and its relationship to machine learning.

履修条件
Course Prerequisites

学部の微積分、線形代数