| 科目コード | 科 目 名 | |||||||||
| 8557 | パターン認識 : Pattern Recognition | |||||||||
| 教 員 名 | 武藤義彦 : MUTO Yoshihiko | |||||||||
| 学年 | 単位・時間 | 科目区分 | 授業形態 | |||||||
| 1 | 2・100分 | 必修 | 講義・前期 | |||||||
| 授業概要 | 大規模データを対象とした知識発見や経営分析のためマイニング技術が 発達してきたが，その大部分はパターン認識や機械学習をベースとしている。 本講義では，様々なパターン認識手法の理論および 特性に加えて，特徴選択・抽出法の理論的背景を学ぶ。 また，これらの手法を知識発見等に適用する際の注意点を可能な限り喚起する。 |
|||||||||
| 到 達 目 標 | 評 価 方 法 | 配分 | ||||||||
| パラメトリックおよびノンパラメトリックな学習による識別部設計の基礎的な手法を理解できる。 | 期末試験により評価する | 40% | ||||||||
| 識別部の最適化手法を理解できる。 | レポートにより評価する | 20% | ||||||||
| 特徴空間を変換する基礎的な手法の理論を理解できる。 | 期末試験により評価する | 40% | ||||||||
| 学習・教育目標 | (E)② | JABEE基準１（１） | (d)-(2) | |||||||
| 授 業 計 画 | 回 | 項 目 | 内 容 | |||||||
| イントロダクション | 行列・確率・統計の復習，ベイズの決定理論と識別関数 | |||||||||
| 第１ | ||||||||||
| ベイズ決定則 | 線形識別関数，２次識別関数（パターンの確率密度関数が正規分布の場合の分類則） | |||||||||
| 第２ | ||||||||||
| 確率密度関数のパラメータ推定 | 最尤法，最大事後確率法，最大エントロピー法 | |||||||||
| 第３ | ||||||||||
| 線形識別(1) | パーセプトロンの規準，Fisher の規準 | |||||||||
| 第４ | ||||||||||
| 線形識別(2) | サポート・ベクター・マシン | |||||||||
| 第５ | ||||||||||
| 非線形識別(1) | k近傍決定則，近傍数が識別性能へ与える影響 | |||||||||
| 第６ | ||||||||||
| 非線形識別(2) | Radial Basis Functions | |||||||||
| 第７ | ||||||||||
| 非線形識別(3) | サポート・ベクター・マシンの非線形への拡張 | |||||||||
| 第８ | ||||||||||
| 非線形識別(4) | 決定木（CART, C4.5, CHAID） | |||||||||
| 第９ | ||||||||||
| 識別部の最適化 | resubstitution method, hold-out method, leave-one-out method, bootstrap method | |||||||||
| 第１０ | ||||||||||
| 特徴選択 | 仮説検定に基づく特徴選択， クラス内分散とクラス間分散 |
|||||||||
| 第１１ | ||||||||||
| 特徴空間の変換(1) | Karhunen-Loeve 展開 | |||||||||
| 第１２ | ||||||||||
| 特徴空間の変換(2) | Fisher の線形判別法（クラス内分散・クラス間分散比最大規準 | |||||||||
| 第１３ | ||||||||||
| クラスタリング | 階層的クラスタリング，k-means 法，分割併合法 | |||||||||
| 第１４ | ||||||||||
| まとめ | 全体の学習事項のまとめを行う．また授業評価アンケートを行う． | |||||||||
| 第１５ | ||||||||||
| 関連科目 | ||||||||||
| 教 科 書 | 石井・上田・前田・村瀬，わかりやすいパターン認識，オーム社 | |||||||||
| 参 考 書 | A.Web, Statistical Pattern Recognition, 2nd Ed., John Wiley & Sons | |||||||||
| 授業評価・理解度 | 最終回に授業評価アンケートを行う。 | |||||||||
| 副担当教員 | ||||||||||
| 備 考 | 確率・統計および線形代数に関する知識を前提とする。 | |||||||||