シラバス参照
|
シラバス参照
|
| 講義概要/Course Information |
| 科目基礎情報/General Information |
| 授業科目名 /Course title (Japanese) |
知能ロボティクス特論 | ||
|---|---|---|---|
| 英文授業科目名 /Course title (English) |
Advanced Topics on Intelligent Robotics | ||
| 科目番号 /Code |
|||
| 開講年度 /Academic year |
2020年度 | 開講年次 /Year offered |
全学年 |
| 開講学期 /Semester(s) offered |
後学期 | 開講コース・課程 /Faculty offering the course |
博士前期課程、博士後期課程 |
| 授業の方法 /Teaching method |
講義 | 単位数 /Credits |
2 |
| 科目区分 /Category |
大学院専門教育科目 - 専門科目Ⅱ | ||
| 開講学科・専攻 /Cluster/Department |
情報学専攻 | ||
| 担当教員名 /Lecturer(s) |
工藤 俊亮 | ||
| 居室 /Office |
東2-605 | ||
| 公開E-Mail |
s-kudoh@uec.ac.jp | ||
| 授業関連Webページ /Course website |
http://www.taka.is.uec.ac.jp/~kudoh/lecture/2020_chinou/ | ||
| 更新日 /Last updated |
2020/03/01 18:03:01 | 更新状況 /Update status |
公開中 /now open to public |
| 講義情報/Course Description |
| 主題および 達成目標 /Topic and goals |
(a) 主題 ロボットを動作させることを考えたとき，機構や制御に関する知識は当然重要であるが，その他にも，周囲の状況をロボットに適切に認識させるための技術がきわめて重要となる．そのために，パターン認識・機械学習とよばれる分野を理解することが必要である．本講義では，ロボティクスの分野で近年よく用いられるベイズ的なアプローチを中心に，パターン認識・機械学習に関する代表的な手法について網羅的に学ぶ． (b) 達成目標 講義で紹介する様々な手法（モデル）の特徴を「理解」することを目指す．ここでいう「理解」とは，1) 各手法そのものを説明でき，2) それが他の手法とどう違うかを説明でき，3) 自分の研究で必要になったときに，適切な手法を選択して用いることができること，を意味する． (a) Theme When you develop a robot to execute some task, techniques for recognizing environment appropriately are quite important, as well as techniques for control and mechanism. For the purpose, it is necessary to understand the field called pattern recognition and machine learning. The course lectures major methods of pattern recognition and machine learning, focusing on Bayesian approaches, which are often used in the robotics field recently. (b) Goal After taking the course, the students should have a clear understanding of major methods of pattern recognition and machine learning. Here, the understanding means that they can 1) describe each method, 2) describe difference among the methods, and 3) select the most suitable method when it is necessary for their research. |
|---|---|
| 前もって履修 しておくべき科目 /Prerequisites |
基本的な（大学教養レベルの）線型代数・解析についての知識は前提とする． It is assumed the students have basic (liberal arts level) knowledge about linear algebra and mathematical analysis. |
| 前もって履修しておくこ とが望ましい科目 /Recommended prerequisites and preparation |
確率については基本的な内容から講義で説明するが，あらかじめ学習しておくと講義内容をより深く理解する助けになるはずである． Although probabilistic theory is lectured from the beginning in the course, preliminary knowledge of probabilistic theory will lead to deeper understanding about contents of the course. |
| 教科書等 /Course textbooks and materials |
以下の書籍を教科書とする．ただし，必ずしも各自で購入する必要はない． 大まかには教科書にそって講義をするが，受講者の理解の度合いや授業時間などに応じて，内容の取捨選択は行う． C. M. Bishop "Pattern Recognition And Machine Learning" (Springer) 日本語訳：C. M. ビショップ 『パターン認識と機械学習 上・下』（シュプリンガー・ジャパン） The textbook for the course is C. M. Bishop "Pattern Recognition And Machine Learning" (Springer) Students do not need to buy the book. The course roughly follows the book, choosing topics according to students' level of understanding. |
| 授業内容と その進め方 /Course outline and weekly schedule |
(a) 内容 以下の内容を予定しているが，受講者の興味・理解度に応じて，順序を変更したり解説を追加・省略する可能性がある． 1. ガイダンス・機械学習とは 2. 確率の基礎 3. 確率分布 4. パラメタの推定 5. 線型回帰モデル 6. 線型回帰モデル（ベイズ的アプローチ） 7. 線型識別モデル 8. 線型識別モデル（ベイズ的アプローチ） 9. カーネル法 10. サポートベクタマシン 11. グラフィカルモデル 12. EMアルゴリズム 13. サンプリング法 14. 連続潜在変数 15. 系列データ (b) 授業の進め方 上記の内容を，おもにスライド・板書によって解説する． (a) Course outline The following topics are planed, but it can be modified according to students' interest and level of understanding. 1. Guidance -- What is machine learning? 2. Basic probability theory 3. Probabilistic distributions 4. Parameter estimation 5. Linear models for regression 6. Linear models for regression (Bayesian approach) 7. Linear models for classification 8. Linear models for classification (Bayesian approach) 9. Kernel methods 10. Support vector machines 11. Graphical Models 12. EM algorithm 13. Sampling methods 14. Continuous Latent Variables 15. Sequential Data (b) Method lecture using slides |
| 実務経験を活かした 授業内容 (実務経験内容も含む) /Course content utilizing practical experience |
|
| 授業時間外の学習 （予習・復習等） /Preparation and review outside class |
本講義で扱う内容の基本となる確率・統計論は高度に抽象的な学問体系であり，講義で一度解説を聞いただけできちんと理解するのは困難と思われる．したがって，各自がきちんと手を動かして復習を行い，地道に理解してゆくことが必要である．講義の配布資料や教科書を参考にしながら，以下の点を中心に復習をするとよい． (1) 授業中は時間的制約から細かい式展開を省略することが多いが，それらを実際に導出してみる． (2) 単純なデータセットでよいので，授業で述べた手法を実際に実装してみる（あるいは統計ソフト等を用いて実行してみる）． Probabilistic theory and statistical theory, which are fundamentals of the contents lectured in the course, are highly abstract systems, and so it is difficult to understand only by listening to a lecture once. Hence, the students need to review the lecture carefully as follows: (1) deriving by yourself formulae whose derivation is omitted in the course due to lack of time, and (2) implementing by yourself methods introduced in the course and testing them using simple datasets. |
| 成績評価方法 および評価基準 （最低達成基準を含む） /Evaluation and grading |
中間・期末レポートにより成績を評価する．レポート課題としては，授業で取り扱った事柄のうちで，基本的なものに関する理解度を測るものとする．合格の最低基準は，中間・期末レポートがどちらも受理されていること． The students will be evaluated by mid-term and final reports. The reports ask about basic topics lectured in the course to evaluate students' degree of understanding. The minimum requirement for giving the credit is that both reports are accepted. |
| オフィスアワー： 授業相談 /Office hours |
相談は随時受け付ける．授業の前後に直接，あるいはメール等によりアポイントメントを取ること． Please, ask me directly after the class or contact me by e-mail. |
| 学生へのメッセージ /Message for students |
特になし． None |
| その他 /Others |
特になし． None |
| キーワード /Keyword(s) |
機械学習，パターン認識，ベイズ理論 Machine learning, pattern recognition, Bayesian theory |