|
授業概要
|
|
武蔵野大学では情報技術(IT)の学修を通じて、変化し続ける社会の中で、様々な困難な課題を解決し、より良い未来を作り出すことのできる人材の育成を目指している。本科目では、本学を修了し、人工知能を始めとする高度な情報技術の活用に必要な様々な手法を学ぶ。
デジタルデータの増加やコンピュータの性能の向上に伴い，社会の様々な分野で機械学習を用いたモデルの構築，またシミュレーションによる分析が行われている．得られた結果は我々の生活や仕事の改善に活用されているが，多くの場合はその結果だけを与えられており，どのような仕組みで結果が出ているのかを理解することは多くはない．今後機械学習を活用して我々の生活をより良くするためには，機械学習の手法を理解し、活用できる必要がある．
本授業では、機械学習を利用したことのない人を対象にして、機械学習の代表的な手法を一通り試し、それらを利用できるようになることを目指す。さらに、それぞれの手法についての原理を解説し、課題のタイプに対してそれに適用できる手法との対応関係を理解することで、実際の課題に対して機械学習の手法を適用出来るようになることを目指す。
※本科目は、武蔵野大学の副専攻「AI活用エキスパートコース」を構成する科目群の一つで、専修科目に位置づけられる。上記副専攻コース認定には専修科目の所定の単位数取得が必要になる。なお、本科目の履修は副専攻コースに参画していることが前提となる。詳しくは以下のコース説明を参照すること。
https://risyuyouran.musashino-u.ac.jp/faculty/curriculum-faculty/ai/
|
|
|
|
知識・専門性の到達目標
|
|
機械学習に関する知識を習得し、機械学習のツールを活用して自ら問題を解決できるようになる。【専門能力】
|
|
|
関心・態度・人格の到達目標
|
|
機械学習が社会でどのように利用されているかを理解し，新たな課題を機械学習の手法を用いて発見することができる．【課題発見力】
|
|
|
思考・判断の到達目標
|
|
社会の中で機械学習が注目されている理由を理解し，課題を機械学習の手法を用いて解決する方法を導き出すことができる．【課題解決力】
|
|
|
実践的スキル・表現の到達目標
|
|
扱っている問題の特性と機械学習の手法の関係を理解し、適切な手法を用いていることを他者に説明できるようになる。【表現力】
|
|
|
「響学スパイラル」取り組み方法
|
|
武蔵野大学「響学スパイラル」に基づき，以下の内容で授業を実施します．
[響学] ミニプロジェクトでは，グループで機械学習のモデルの作成やシミュレーションを実施します．
[問う] ミニプロジェクトでは，授業で示された仕様に基づき，グループで企画書を作成してプロジェクトを実施します．
[考動する] ミニプロジェクトでは，教員や他の学生からアドバイスを受けたりディスカッションをしながら，主体的及び協働的にプロジェクトを実施します．
[カタチにする] 機械学習を利用した事例を元に課題でモデルの作成やシミュレーションを行い，ミニプロジェクトで総合的に学びます．
[見つめ直す] 課題について教員からのフィードバックを受けたり，ミニプロジェクトでは他のグループの成果を評価して理解を深めます．
|
|
|
|
授業における「アクティブな知」の要素
|
|
| |
|
授業形態
|
対象
|
|
|
A：課題解決型学習（PBL）企業、自治体等との連携あり
|
‐
|
|
|
|
|
B：課題解決型学習（PBL）連携なし
|
○
|
|
|
|
|
C：反転授業（知識習得を授業外で行い、知識確認等の要素を教室で行う授業形態）
|
○
|
|
|
|
|
D：討議（ディスカッション、ディベート等）
|
‐
|
|
|
|
|
E：グループワーク
|
○
|
|
|
|
|
F：発表（プレゼンテーション）
|
○
|
|
|
|
|
G：実習、フィールドワーク
|
‐
|
|
|
|
|
H：双方向授業（ICT活用なし：対話型、リアクションペーパー等）
|
‐
|
|
|
|
|
Ｉ：双方向授業（ICT活用あり：クリッカー、タブレット、スマートフォン等）
|
○
|
|
|
|
|
Ｊ：講義のみ
|
‐
|
|
|
|
|
Ｋ：その他
PCによる演習
|
○
|
|
|
|
|
授業における「ICTの活用」について
|
|
| |
|
授業形態
|
対象
|
|
|
A：ノートPC必携
|
○
|
|
|
|
|
B：講義資料や授業教材のオンライン配信
|
○
|
|
|
|
|
C：レポート課題等のオンライン提出
|
○
|
|
|
|
D：質問やレポート課題等へのフィードバックにおける学修管理システムの活用
（学修支援システム(Course Power)、Google Classroom、Teams等）
|
○
|
|
|
|
E：オンラインメディアの活用
（e-Learning、edX、Coursera、JMOOC等のOpen Educational Resources）
|
○
|
|
|
|
|
F：Zoom、Google Meet等のミーティングツールの活用
|
○
|
|
|
|
|
|
-
|
|
|
|
予習
（事前学修）
|
|
| |
|
各授業
|
オンデマンドコンテンツを用いて授業に関連する話題について概要を確認する。
※オンデマンド授業分の時間は別にある。
|
|
|
|
［
平均30
］分
|
|
|
|
復習
（事後学修）
|
|
| |
|
各授業
|
授業内課題およびツールを使った演習課題を宿題として取り組む．
|
|
|
|
［
平均60
］分
|
|
|
|
|
成績評価
|
|
| |
|
評価項目
|
評価項目の詳細内容
|
割合
|
|
|
課題提出（レポート）
|
課題提出（レポート）：各週で作成した成果物（50％），ミニプロジェクトでの発表(20%)と作成した成果物（30％）
|
100
%
|
|
|
|
|
|
小テスト
|
|
0
%
|
|
|
|
|
|
試験
|
|
0
%
|
|
|
|
|
|
実習・学外学修活動
|
|
0
%
|
|
|
|
|
|
その他
|
|
0
%
|
|
|
|
|
授業計画
|
|
| |
|
授業回
|
内容
|
|
|
1.
|
第1週
[タイトル] DataRobotを用いた機械学習、分類(前編)
[授業形態] 同時双方向型
本講義ではノーコードツールであるDataRobot上で、機械学習を用いた問題解決を体験する。そのため、第一回では、DataRobotの使い方について学ぶ。例題として、分類の課題に取り組む。
[キーワード]データ分析の進め方、機械学習、教師あり学習、分類、AIの開発環境と実⾏環境
|
|
|
2.
|
第1週
[タイトル] 機械学習の社会的インパクトと事例
[授業形態] オンデマンド型
商用のオンデマンド学習コンテンツを用いて、機械学習手法の与える社会的インパクトや、現在どのような場面で使われているのかの事例について学ぶ。
[キーワード]データサイエンス活用事例、データを活⽤した新しいビジネスモデル、機械学習の活用事例、AI技術の活⽤領域の広がり、AIの歴史
|
|
|
3.
|
第2週
[タイトル] 機械学習の概論
[授業形態] オンデマンド型
商用のオンデマンド学習コンテンツを用いて、機械学習は教師あり学習と教師なし学習と強化学習に分類されることと、それらがどのような課題に用いられるかを学ぶ。
[キーワード]機械学習の活用事例、教師あり学習、教師なし学習、強化学習、学習⽤データと学習済みモデル
|
|
|
4.
|
第2週
[タイトル] DataRobotを用いた機械学習、分類(後編)
[授業形態] 同時双方向型
第1回に続いてDataRobotの使い方について学び、分類の課題に取り組む。
[キーワード]分類、データの型、学習データと検証データ、ホールドアウト法、交差検証法
|
|
|
5.
|
第3週
[タイトル] 深層学習の基礎
[授業形態] オンデマンド型
商用のオンデマンド学習コンテンツを用いて、深層学習の概要について学ぶ。
[キーワード]深層学習、ニューラルネットワークの原理、AIの説明可能性、深層学習の応用（画像認識）
|
|
|
6.
|
第3週
[タイトル] DataRobotを用いた回帰分析(前編)
[授業形態] 同時双方向型
DataRobotを用いて、機械学習を用いた回帰分析の方法について学ぶ。
[キーワード]回帰、分析⽬的の設定、データの型、混同行列
|
|
|
7.
|
第4週
[タイトル] 機械学習の分析プロセス
[授業形態] オンデマンド型
いくつかのデータを入力として、モデル構築、予測、検証のサイクルを複数回行い、分析プロセスを習熟する。
[キーワード]分類、回帰、学習データと検証データ、ホールドアウト法、交差検証法
|
|
|
8.
|
第4週
[タイトル] DataRobotを用いた回帰分析(後編)
[授業形態] 同時双方向型
DataRobotを用いて、機械学習を用いた回帰分析の方法について学ぶ。
[キーワード]回帰、分析⽬的の設定、データの型、過学習、バイアス
|
|
|
9.
|
第5週
[タイトル] 機械学習の種類と考え方
[授業形態] オンデマンド型
機械学習の種類（教師あり／なし，強化学習の３種）と考え方について学習し，練習問題を解いて知識を定着させる。
[キーワード]教師あり学習、教師なし学習、強化学習、分類、回帰
|
|
|
10.
|
第5週
[タイトル] 機械学習の基礎理論
[授業形態] 同時双方向型
講義やグループワークを通じて機械学習の基礎理論について学ぶ。
[キーワード]教師あり学習、教師なし学習、強化学習、分類、回帰、損失関数、アルゴリズム
|
|
|
11.
|
第6週
[タイトル] ミニプロジェクト(1)
[授業形態] 同時双方向型
ミニプロジェクトとして、グループワークを行う。取り組む課題を決めるためのディスカッションを行い、分担を決めて課題に取り組む。
[キーワード]データの収集・加⼯、データ分析の進め方、仮説検証サイクル
|
|
|
12.
|
第6週
[タイトル] ミニプロジェクト(2)および発展的な話題
[授業形態] オンデマンド型
ミニプロジェクトとして、グループワークを行う。設定した課題および集めたデータに対して機械学習手法を用いて問題解決を試みる。また、オンデマンドコンテンツを利用して発展的な話題について学習する。
[キーワード]データの収集・加⼯、仮説検証サイクル、教師あり学習、交差検証、混同行列、ベクトルと行列、ビッグデータの収集と蓄積
|
|
|
13.
|
第7週
[タイトル] ミニプロジェクト(3)
[授業形態] オンデマンド型
ミニプロジェクトに取り組むとともに、発表資料を作成する。
[キーワード]データの収集・加⼯、仮説検証サイクル、教師あり学習、交差検証、混同行列
|
|
|
14.
|
第7週
[タイトル] ミニプロジェクト成果発表とレビュー
[授業形態] 同時双方向型
グループごとにミニプロジェクトの発表を行い、相互評価を行う。
[キーワード]データの収集・加⼯、仮説検証サイクル、教師あり学習、交差検証、混同行列
|
|
|
|
|
留意事項
|
|
・オンライン授業(同時双方向型)の受講に必要な情報は、MUSCATの「講義連絡」で1週間前までに連絡をするので確認すること．
・授業はオンラインで実施する．授業内容の説明、演習課題およびミニプロジェクトでのグループ活動は同時双方向授業で実施する．同時双方向の授業では出席をとるので，必ず授業時間に出席すること．
・実習は各自のPCを利用するため，PCを利用できる環境（スマートフォンやタブレットのみは不可）を用意すること．また本授業ではグループでのディスカッションを行うため，マイクやスピーカーを用意して会話で議論が出来るように準備すること．
・授業資料の配付，課題の提出，また初回のオンライン授業は「Microsoft Teams」を利用する予定である．
・演習で利用する機械学習のツールや「DataRobot」は，大学でライセンスを購入しているため，個人での購入は不要である．
・本科目は，副専攻(AI活用エキスパートコース)の習得を目指す学生は，履修を解除するとコースから離脱することになるので注意すること．
・成績評価に関して詳しくは以下の説明を参照すること．
https://www.musashino-u.ac.jp/student-life/learning/results.html
|
|
|
教科書
（購入必要）
|
|
|
|
参考図書
（任意購入）
|
|
| |
|
1.
|
|
|
|
|
|
|
書籍名
|
『DataRobotではじめるビジネスAI入門 ［DataRobot Japan 公式ガイドブック］』
|
|
|
|
|
|
|
著者
|
シバタアキラ，中山晴之，小島繁樹，川越雄介，香西 哲弥 著，シバタアキラ 監修
|
|
|
|
|
|
|
出版社
|
翔泳社
|
ISBN(13桁)
|
9784798166872
|
|
|
|
|
|
|
参考図書に関する履修学生への連絡事項
|
|
|
|
2.
|
|
|
|
|
|
|
書籍名
|
『はじめての機械学習 中学数学でわかるＡＩのエッセンス』
|
|
|
|
|
|
|
著者
|
田口善弘 著
|
|
|
|
|
|
|
出版社
|
講談社
|
ISBN(13桁)
|
9784065239605
|
|
|
|
|
|
|
参考図書に関する履修学生への連絡事項
|
|
|
|
|
その他
（配布教材等により購入不要）
|
|
|
|
|
参考URL
|
|
| |
|
1.
|
|
|
|
|
webサイト名
|
Aidemy for School
|
|
|
|
URL
|
|
|
|
|
参考URLに関する履修学生への連絡事項
|
授業のオンデマンド学習に利用します．ライセンスは大学で用意するので，購入の必要はありません．どのようなことを学ぶことが出来るのかについての参考として下さい．
|
|
|
|
実務経験のある教員等による授業科目
（実践的教育を行う授業科目）
|
|
|
|
|
備考
|
|
|