日本語 English
| 開講年度/ Academic YearAcademic Year |
20242024 |
| 科目設置学部/ CollegeCollege |
人工知能科学研究科/Graduate School of Artificial Intelligence and ScienceGraduate School of Artificial Intelligence and Science |
| 科目コード等/ Course CodeCourse Code |
VR411/VR411VR411 |
| テーマ・サブタイトル等/ Theme・SubtitleTheme・Subtitle |
|
| 授業形態/ Class FormatClass Format |
オンライン（全回オンライン）/Online (all classes are online)Online (all classes are online) |
| 授業形態（補足事項）/ Class Format (Supplementary Items)Class Format (Supplementary Items) |
発話を伴う授業を発話を伴う授業を学内で受講する場合はA301教室の利用可 |
| 授業形式/ Class StyleCampus |
講義/LectureLecture |
| 校地/ CampusCampus |
池袋/IkebukuroIkebukuro |
| 学期/ SemesterSemester |
秋学期/Fall semesterFall semester |
| 曜日時限・教室/ DayPeriod・RoomDayPeriod・Room |
火6･/Tue.6･ Tue.6･ |
| 単位/ CreditCredit |
22 |
| 科目ナンバリング/ Course NumberCourse Number |
AIR5400 |
| 使用言語/ LanguageLanguage |
日本語/JapaneseJapanese |
| 履修登録方法/ Class Registration MethodClass Registration Method |
科目コード登録/Course Code RegistrationCourse Code Registration |
| 配当年次/ Grade (Year) RequiredGrade (Year) Required |
配当年次は開講学部のR Guideに掲載している科目表で確認してください。配当年次は開講学部のR Guideに掲載している科目表で確認してください。 |
| 先修規定/ prerequisite regulationsprerequisite regulations |
|
| 他学部履修可否/ Acceptance of Other CollegesAcceptance of Other Colleges |
履修登録システムの『他学部・他研究科履修不許可科目一覧』で確認してください。 |
| 履修中止可否/ course cancellationcourse cancellation |
－（履修中止制度なし/ No system for cancellation) |
| オンライン授業60単位制限対象科目/ Online Classes Subject to 60-Credit Upper LimitOnline Classes Subject to 60-Credit Upper Limit |
|
| 学位授与方針との関連/ Relationship with Degree PolicyRelationship with Degree Policy |
各授業科目は、学部・研究科の定める学位授与方針（DP）や教育課程編成の方針（CP）に基づき、カリキュラム上に配置されています。詳細はカリキュラム・マップで確認することができます。 |
| 備考/ NotesNotes |
|
| テキスト用コード/ Text CodeText Code |
VR411 |
The aim of this course is to learn elementary topics in statistical data modeling, including Maximum Likelihood Estimation (MLE) and Maximum A Posterior (MAP), Bayesian inference, and related topics.
The main themes of this course are:
1. Probability distributions and their properties
2. Probabilistic inference: MLE/MAP/Bayesian inference
3. Supervised learning of mixture models
4. Unsupervised learning of mixture models
※Please refer to Japanese Page for details including evaluations, textbooks and others.
この科目では、最尤推定、MAP推定、ベイズ推論など、統計モデリングについて基本的な事項を学ぶ。
The aim of this course is to learn elementary topics in statistical data modeling, including Maximum Likelihood Estimation (MLE) and Maximum A Posterior (MAP), Bayesian inference, and related topics.
授業では主に以下のような事柄について説明する。
１．さまざまな確率分布とその特徴
２．最尤推定、MAP推定、ベイズ推測
３．混合分布の教師あり学習
４．混合分布の教師なし学習
The main themes of this course are:
1. Probability distributions and their properties
2. Probabilistic inference: MLE/MAP/Bayesian inference
3. Supervised learning of mixture models
4. Unsupervised learning of mixture models
| 1 | 確率・統計の復習 |
| 2 | 二項分布 |
| 3 | 多項分布 |
| 4 | 正規分布 |
| 5 | ベイズ的モデリングの基礎 |
| 6 | 多項分布によるベイズ的モデリング |
| 7 | 正規分布によるベイズ的モデリング |
| 8 | ベイズ推測 |
| 9 | 指数型分布族 |
| 10 | 予測分布 |
| 11 | 混合分布モデルの教師あり学習 |
| 12 | 混合分布モデルの教師なし学習（１） |
| 13 | 混合分布モデルの教師なし学習（２） |
| 14 | 発展的な確率モデル |
板書 /Writing on the Board
スライド（パワーポイント等）の使用 /Slides (PowerPoint, etc.)
上記以外の視聴覚教材の使用 /Audiovisual Materials Other than Those Listed Above
個人発表 /Individual Presentations
グループ発表 /Group Presentations
ディスカッション・ディベート /Discussion/Debate
実技・実習・実験 /Practicum/Experiments/Practical Training
学内の教室外施設の利用 /Use of On-Campus Facilities Outside the Classroom
校外実習・フィールドワーク /Field Work
上記いずれも用いない予定 /None of the above
各回の授業は前回までの授業の理解を前提しておこなわれるので、次の回の授業までによく復習しておくこと。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 平常点 (In-class Points) | 100 |
授業への参加と複数回のレポート(100%) |
| 備考 (Notes) | ||
なし/None
| No | 著者名 (Author/Editor) | 書籍名 (Title) | 出版社 (Publisher) | 出版年 (Date) | ISBN/ISSN |
|---|---|---|---|---|---|
| 1 | 須山 敦志 | ベイズ推論による機械学習入門 （機械学習スタートアップシリーズ） | 講談社 | 2017 | 9784061538320 |
| 2 | C.M. ビショップ | パターン認識と機械学習（上） | 丸善出版 | 2012 | 9784621061220 |
| 3 | C.M. ビショップ | パターン認識と機械学習（下） | 丸善出版 | 2012 | 9784621061244 |
2,3番の参考文献の原書は下記の場所で入手可能。
https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf