2025

科目分類 / Subject Categories
学部等 / Faculty	工芸科学部 / School of Science and Technology	今年度開講 / Availability	有 / Available
学域等 / Field	設計工学域 / Academic Field of Engineering Design	年次 / Year	３年次 / 3rd Year
課程等 / Program	情報工学課程・課程専門科目 / Specialized Subjects for Undergraduate Program of Information Science	学期 / Semester	後学期 / Second term
分類 / Category	- / -	曜日時限 / Day & Period	水2 / Wed 2nd

科目情報 / Course Information
時間割番号 / Timetable Number	12223201
科目番号 / Course Number	12260033
単位数 / Credits	2
授業形態 / Course Type	講義 / Lecture
クラス / Class	- / -
授業科目名 / Course Title	AI・データサイエンス応用 / Application of AI and Data Science
担当教員名 Instructor(s)	延原　章平、山本　高至
	NOBUHARA Shohei、YAMAMOTO Koji
その他 / Other	インターンシップ実施科目 Internship	国際科学技術コース提供科目 IGP	PBL実施科目 Project Based Learning	実務経験のある教員による科目 Practical Teacher
	-	-	-	-
	DX活用科目 ICT Usage in Learning	-	-	-
	○	-	-	-
科目ナンバリング / Numbering Code	-

授業の目的・概要 Objectives and Outline of the Course
AI（人工知能）とは人間の行う知的活動を機械で実現するための技術である。その中心的な要素技術である機械学習は、データからモデルを導き出すデータサイエンスの応用分野である。本講義では、様々な機械学習手法について学ぶことで、AIおよびデータサイエンスの応用力を身につけることを目指す。
AI (Artificial Intelligence) is a technology that enables machines to realize the intellectual activities performed by humans. Machine learning, a central element of AI, is an applied field of data science that derives models from data. In this lecture, by learning about various machine learning methods, students will acquire applied skills in AI and data science.

学習の到達目標 Learning Objectives
1．機械学習の基本的な手順を説明できる。 2．教師あり学習のいくつかの手法を使い分けることができる。 3．教師なし学習のいくつかの手法を使い分けることができる。
1．To be able to explain the basic process of machine learning. 2．To be able to use some supervised machine learning methods. 3．To be able to use some unsupervised machine learning methods.

授業計画項目 / Course Plan
No.	項目 Topics	内容 Content	オンライン授業 online class
1.	機械学習の概要	機械学習の全体像を理解する。
	Introduction to machine learning	To learn the overview of machine learning.
2.	次元圧縮（１）	LDA, PCA，カーネルPCAなどの次元圧縮手法を学ぶ
	Dimensionality reduction (1)	To learn basics of dimensionality reduction methods including LDA, PCA, and kernel PCA.
3.	次元圧縮（２）	FA, MDS，t-SNEなどの次元圧縮手法を学ぶ
	Dimensionality reduction (2)	To learn basics of dimensionality reduction methods including FA, MDS, t-SNE.
4.	SVM, SVR	サポートベクトルマシンをつかった分類と回帰について学ぶ
	SVM and SVR	To learn classification and regression based on support vector machines.
5.	アンサンブル学習（１）	決定木やランダムフォレストについて学ぶ
	Ensemble methods (1)	To learn basics of ensemble methods including random forests.
6.	アンサンブル学習（２）	AdaBoost, Gradient boostについて学ぶ
	Ensemble methods (2)	To learn basics of ensemble methods including AdaBoost and gradient boosting.
7.	クラスタリング（１）	k-means, 階層的クラスタリングなどクラスタリング手法について学ぶ
	Clustering (1)	To learn basics of clustering algorithms including k-means and hierarchical clustering.
8.	クラスタリング（２）	Mean-shiftなどのクラスタリング手法について学ぶ
	Clustering (2)	To learn basics of clustering algorithms including mean-shift.
9.	連続最適化	最急降下法，Levenberg-Marquardt法などの連続最適化手法について学ぶ
	Continuous optimization	To learn basics of continuous optimization algorithms including gradient descent and Levenberg-Marquardt.
10.	離散最適化	グラフカット，Belief-propagationなどの離散最適化手法について学ぶ
	Discrete optimization	To learn basics of discrete optimization algorithms including graph-cuts and belief-propagation.
11.	系列データ解析	カルマンフィルタ，パーティクルフィルタなどの系列データ解析手法について学ぶ
	Sequencial data analysis	To learn basics of sequential data analysis algorithms including Kalman filtering and particle filtering.
12.	深層学習（１）	CNN, RNNなど基礎的なニューラルネットワークの構造について学ぶ
	Neural network (1)	To learn basics of neural network architectures including CNN and RNN.
13.	深層学習（２）	Transformerなど基礎的なニューラルネットワークの構造について学ぶ
	Neural network (2)	To learn basics of neural network architectures including Transformers.
14.	半教師あり学習	教師あり学習と教師なし学習の中間的な手法と位置付けられる半教師あり学習について学ぶ。
	Semi-supervised learning	To learn semi-supervised learning that can be considered an intermediate method of supervised and unsupervised learning.
15.	強化学習	報酬に基づいて行為を学習する強化学習について学ぶ。
	Reinforcement learning	To learn reinforcement learning method which is the process of learning an action based on a reward.

履修条件 Prerequisite(s)
基本的な機械学習手順についてPythonでのコーディングができることを前提とする。講義中に演習の時間を設けることがあるので各自インターネット接続されたラップトップPCを持参することが望ましい．また、AI・データサイエンス基礎を履修していることが望ましい。
Students are expected to be able to code in Python for basic machine learning procedures and are encouraged to bring their own laptops (with Internet access) for in-class programming exercises. Students are expected to have taken "Fundamentals of AI and Data Science" course.

授業時間外学習（予習・復習等） Required study time, Preparation and review
Pythonのコーディングによる演習課題を出題する。 本学では1単位当たりの学修時間を45時間としています。毎回の授業にあわせて事前学修・事後学修を行ってください。
Python programming exercises will be assigned. Please note that KIT requires 45 hours of study from students to award one credit, including both in-class instructions as well as study outside classes. Students are required to prepare for each class and complete the review after each class.

教科書／参考書 Textbooks/Reference Books
教科書：Sebastian, Liu, and Mirjalili著：Python機械学習プログラミング［PyTorch＆scikit-learn編］，インプレス，2022．（https://github.com/rasbt/machine-learning-book） 参考書：荒木雅弘著：フリーソフトではじめる機械学習入門（第2版）, 森北出版, 2018. 参考書：喜多一，森村吉貴，岡本雅子著：プログラミング演習 Python 2023，京都大学，2023.（http://hdl.handle.net/2433/285599）
Textbook: Sebastian Raschka, uxi (Hayden) Liu, and Vahid Mirjalili, Machine Learning with PyTorch and Scikit-Learn Book, 2022. (https://github.com/rasbt/machine-learning-book) Reference Book: Masahiro Araki: Introduction to Machine Learning using free software (2nd Edition) (Japanese), Morikita, 2018. Reference Book: Hajime Kita, Yoshitaka Morimura, and Masako Okamoto: Programming Practice Python 2023, Kyoto University, 2023. (http://hdl.handle.net/2433/285599)

成績評価の方法及び基準 Grading Policy
演習課題（50%）および学期末に科す試験の成績（50%）による。
This course will be graded on the basis of assignments (50%) and an end-of-semester exam (50%).

留意事項等 Point to consider
「知能工学」（2022年度まで開講）の単位を取得しているものは、この講義の単位を取得できないので注意すること。
Note that those who have received credit for "Intelligent Engineering" (offered before 2023) will not receive credit for this lecture.