シラバス参照

講義概要/Course Information
2025/06/13 現在

科目基礎情報/General Information
授業科目名
/Course title (Japanese)		 応用ネットワーキング論２
英文授業科目名
/Course title (English)		 Ｎｅｔｗｏｒｋ　Ａｐｐｌｉｃａｔｉｏｎｓ　２
開講年度
/Academic year		 2013年度 開講年次
/Year offered		 全年次
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		 選択科目
開講類・専攻
/Cluster/Department		 情報ネットワークシステム学専攻
担当教員名
/Lecturer(s)		 笠井　裕之
居室
/Office		 東2-611
公開E-mail
/e-mail		 笠井准教授<kasai@is.uec.ac.jp>
授業関連Webページ
/Course website		 http://www.kasailab.com
更新日
/Last update		 2013/12/19 09:39:22 更新状況
/Update status		 公開中
/now open to public
講義情報/Course Description
講義の狙い、目標 本講義では，様々なデータを解析するための技術として，パターン認識と機械学習に関する技術について学ぶ．確率分布や確率・統計モデルの基本から，回帰モデル，識別モデル等を学び，最後に信号処理を対象としたスパースモデル等の技術について理解することを目標とする．
内容 (a) 授業内容（暫定内容であり，変更の可能性あり．）

以下の15回の内容を予定しているが，授業の進行度合いや状況に応じて，適宜講義ペースや順序，内容を変更する．
また，最新の技術動向を反映していくことを予定している．

第1回：確率分布と最尤推定
            確率密度関数，ガウス分布 ，統計モデル，尤度，最尤推定，ガウス分布の最尤推定
第2回：ベイズ推定
            ベイズ理論，自然共役事前分布，ガウス分布のベイズ推定
第3回：多項式フィッティング
            二乗和誤差最小化と最尤推定，正則化と最大事後確率推
第4回：線形回帰モデル
            線形基底関数，正規方程式，LASSO
第5回：関数の極値
            1次形式と2次形式，2次形式標準形，正定値対称行列，2次関数の極値，
            一般関数の極値
第6回：制約無し非線形最適化
            勾配ベクトル，ヘッセ行列，凸集合と凸関数，最適性条件，反復法，直線探索法，
            最急降下法，ニュートン法 ，共役勾配法，準ニュートン法
第7回：等式・不等式制約あり非線形最適化
            双対問題，一次&二次最適性，相補性条件，KKTカリューシュ・キューン・タッカー条件，
            ラグランジュ関数，2次計画法，拡張ラグランジュ関数（乗数法）
第8回：識別 I
            線形識別関数(判別関数)，フィッシャーの線形判別関数，パーセプトロン
第9回：識別II
            サポートベクターマシンSVM（ハードマージン/ソフトマージンSVM），カーネル法，
            νSVM，多クラスSVM，誤識別損失（ヒンジ損失）
第10回：マルコフ連鎖モンテカルロ法I
              モンテカルロ法，非マルコフ連鎖モンテカルロ法
第11回：マルコフ連鎖モンテカルロ法II
              ギブス・サンプラーアルゴリズム，メトロポリス-ヘイスティング (MH) アルゴリズム）
第12回：スパースモデル I
              スパース表現，スパースコーディング，l1最小化アルゴリズム
第13回：スパースモデル II
              辞書学習法（MOD，K-SVD，他）
第14回：スパースモデル III
              画像処理への応用I（Denoising，Inpainting，Super-resolution，Compression）
第15回：スパースモデル IV
             画像処理への応用II（ Image classification, Event detection, Music recognition)

(b) 授業の進め方

黒板を使用する．

(c) 授業時間外の学習について

講義内容に関連した技術資料や論文などを調査することが望ましい．

(d) オフィスアワー

E-mailなどでアポイントメントをとること．
教科書、参考書 特になし
予備知識 確率分布，確率・統計モデルの基礎
線形代数・微分方程式の基礎
演習 特になし．適宜，レポートの提出を義務付ける．
成績評価方法
および評価基準		 ○評価方法
中間試験（またはレポート）：50%
期末試験（またはレポート）：50%
○評価基準
パターン認識と機械学習に関する技術について理解していること．
その他
/Others		 特になし．
キーワード
/Keywords		 確率分布，確率密度関数，ガウス分布 ，統計モデル，尤度，最尤推定，ガウス分布の最尤推，ベイズ理論，自然共役事前分布，ガウス分布のベイズ推定，線形モデル，多項式フィッティング，ベイズ線形回帰モデル，線形識別関数(判別関数)，フィッシャーの線形判別関数，パーセプトロン，サポートベクターマシン，非線形最適化，双対問題，KKT条件，モンテカルロ法，非マルコフ連鎖モンテカルロ法，マルコフ連鎖モンテカルロ法，スパースモデル