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 |
VR481/VR481VR481 |
| 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1204教室の利用可 |
| 授業形式/ Class StyleCampus |
講義/LectureLecture |
| 校地/ CampusCampus |
池袋/IkebukuroIkebukuro |
| 学期/ SemesterSemester |
春学期/Spring SemesterSpring Semester |
| 曜日時限・教室/ DayPeriod・RoomDayPeriod・Room |
水6/Wed.6 Wed.6 ログインして教室を表示する（Log in to view the classrooms.） |
| 単位/ CreditsCredits |
22 |
| 科目ナンバリング/ Course NumberCourse Number |
AIR6400 |
| 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/ Assigned YearAssigned Year |
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 |
The aim of this course is to learn advanced topics in statistical modeling using Bayesian approaches, including MCMC, variational inferences, and related topics.
This course explains the methods for posterior inference in Bayesian modeling.
Topics to be covered in the first half of this course include the elementary expositions of MCMC, the implementation of MCMC in Python, and practical coding for posterior inference via MCMC.
Topics to be covered in the second half of this course include the fundamentals of variational inference, its application in natural language processing (ex. LDA), and the variational auto-encoder.
| 1 | 統計モデリング１の復習 |
| 2 | MCMC入門（１） |
| 3 | MCMC入門（２） |
| 4 | PythonによるMCMC（１） |
| 5 | PythonによるMCMC（２） |
| 6 | MCMCの実際（１） |
| 7 | MCMCの実際（２） |
| 8 | EMアルゴリズムの復習 |
| 9 | 変分推論（１） |
| 10 | 変分推論（２） |
| 11 | PLSA |
| 12 | 潜在的ディリクレ配分法（LDA） |
| 13 | 変分オートエンコーダ |
| 14 | Denoising Diffusion Probabilistic Models |
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 | 森賀新 他著 | Pythonではじめるベイズ機械学習入門 | 講談社 | 2022 | 9784065279786 |
| 2 | C.M. ビショップ (著), 元田 浩 (監訳), 栗田 多喜夫 (監訳), 樋口 知之 (監訳), 松本 裕治 (監訳), 村田 昇 (監訳) | パターン認識と機械学習 上 | 丸善出版 | 2012/4/5 | 9784621061220 |
| 3 | C.M. ビショップ (著), 元田 浩 (監訳), 栗田 多喜夫 (監訳), 樋口 知之 (監訳), 松本 裕治 (監訳), 村田 昇 (監訳) | パターン認識と機械学習 下 | 丸善出版 | 2012/2/29 | 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
この科目では、MCMCや変分推論など、ベイズ的なアプローチによる統計モデリングについて発展的な事項の習得を目標とする。
The aim of this course is to learn advanced topics in statistical modeling using Bayesian approaches, including MCMC, variational inferences, and related topics.
この科目では、ベイズ的モデリングにおける事後分布の推定を扱う。
前半では、事後分布からのサンプリングを行う手法であるMCMCについて解説する。
後半では、事後分布の推定を最適化問題として定式化する変分推論について解説する。
This course explains the methods for posterior inference in Bayesian modeling.
Topics to be covered in the first half of this course include the elementary expositions of MCMC, the implementation of MCMC in Python, and practical coding for posterior inference via MCMC.
Topics to be covered in the second half of this course include the fundamentals of variational inference, its application in natural language processing (ex. LDA), and the variational auto-encoder.
| 1 | 統計モデリング１の復習 |
| 2 | MCMC入門（１） |
| 3 | MCMC入門（２） |
| 4 | PythonによるMCMC（１） |
| 5 | PythonによるMCMC（２） |
| 6 | MCMCの実際（１） |
| 7 | MCMCの実際（２） |
| 8 | EMアルゴリズムの復習 |
| 9 | 変分推論（１） |
| 10 | 変分推論（２） |
| 11 | PLSA |
| 12 | 潜在的ディリクレ配分法（LDA） |
| 13 | 変分オートエンコーダ |
| 14 | Denoising Diffusion Probabilistic Models |
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 | 森賀新 他著 | Pythonではじめるベイズ機械学習入門 | 講談社 | 2022 | 9784065279786 |
| 2 | C.M. ビショップ (著), 元田 浩 (監訳), 栗田 多喜夫 (監訳), 樋口 知之 (監訳), 松本 裕治 (監訳), 村田 昇 (監訳) | パターン認識と機械学習 上 | 丸善出版 | 2012/4/5 | 9784621061220 |
| 3 | C.M. ビショップ (著), 元田 浩 (監訳), 栗田 多喜夫 (監訳), 樋口 知之 (監訳), 松本 裕治 (監訳), 村田 昇 (監訳) | パターン認識と機械学習 下 | 丸善出版 | 2012/2/29 | 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