シラバス参照

講義概要/Course Information

2025/04/27 現在

科目基礎情報/General Information

授業科目名 /Course title (Japanese)	計測工学基礎（大学院連携科目）
英文授業科目名 /Course title (English)	Fundamentals of Measurement Engineering
科目番号 /Code	GSEa02h GSEa02i GSEa02j
開講年度 /Academic year	2023年度	開講年次 /Year offered
開講学期 /Semester(s) offered	前学期	開講コース・課程 /Faculty offering the course
授業の方法 /Teaching method		単位数 /Credits	2
科目区分 /Category
開講類・専攻 /Cluster/Department
担当教員名 /Lecturer(s)	宮脇　陽一
居室 /Office	東4-620（宮脇）
公開E-mail /e-mail	yoichi.miyawaki@uec.ac.jp
授業関連Webページ /Course website	Google Classroomを利用（初回授業でお知らせします）
更新日 /Last update	2023/04/12 11:43:18	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（2,000文字以内） /Themes and goals（up to 2,000 letters）	物理量の工学的計測において必須となる数理的手法，信号処理手法，統計解析手法の基礎について講義する．計測データをもとにしたモデリングで用いられる数理解法の基礎を中心として学ぶが，同時に全体を通し，多変量解析，スパースモデリング，統計的機械学習，深層学習などの最新トピックについても，必要に応じて随時紹介する． This class lectures mathematical methods, signal processing, statistical analyses required for engineering measurement of physical quantity. Students mainly learn the basics of mathematical modeling of measured data. In the meantime, recent topics about multidimensional analyses, sparse modeling, statistical machine learning, and deep learning will be introduced throughout the lectures.
前もって履修 しておくべき科目（1,000文字以内） /Prerequisites（up to 1,000 letters）	線形代数，確率統計，計測システム工学 Linear algebra, probability and statistics, measurement system engineering
前もって履修しておくこ とが望ましい科目（1,000文字以内） /Recommended prerequisites and preparation（up to 1,000 letters）	計測工学，信号処理，工学解析および演習、応用数学 Measurement engineering, signal processing, engineering mathematics and exercise, applied mathematics
教科書等（1,000文字以内） /Course textbooks and materials（up to 1,000 letters）	東京大学教養学部統計学教室，自然科学の統計学（東京大学出版会） C.M. Bishop，パターン認識と機械学習 上・下（シュプリンガー・ジャパン） デジタル信号処理の各種教科書 Analysis of Scientific Data, Statistics Section, Department of Social Sciences, College of Arts and Sciences, University of Tokyo, University of Tokyo Press. Pattern Recognition and Machine Learnign, C.M. Bishop, Springer. Textbooks for digital signal processing
授業内容と その進め方（2,000文字以内） /Course outline and weekly schedule（up to 2,000 letters）	(a) 英語タイプ: Bc (b) 授業内容 :英語と日本語を併用して説明し、日本語の教材・資料を使う。 第１回 計測データのモデリング：イントロダクション 第２回 線形回帰モデル（１）：線形モデルの行列表現など 第３回 線形回帰モデル（２）：最小二乗法など 第４回 線形回帰モデル（３）：優決定・劣決定，特異値分解など 第５回 線形回帰モデル（４）：一般化逆行列など 第６回 線形回帰モデル（５）：正則化，スパースモデリングなど 第７回 線形判別モデル（１）：線形判別モデルの導入など 第８回 線形判別モデル（２）：特徴空間，線形分離可能性など 第９回 線形判別モデル（３）：フィッシャー線形識別器など 第１０回 線形判別モデル（４）：サポートベクタマシンなど 第１１回 仮説検定（１）：確率と統計の基礎、確率分布など 第１２回 仮説検定（２）：統計検定、線形回帰モデルの検定など 第１３回 計測データの縮約表現（１）：主成分分析など 第１４回 計測データの縮約表現（２）：次元縮約など 第１５回 計測データの縮約表現（３）：因子分析、低次元多様体など 授業進度は、学生の理解度・進捗に応じて調整することがある． (a) English type: Bc (b) Lecture contents Lecture #1 Modeling of measured data: Introduction Lecture #2 Linear regression model (1): Matrix form of linear model Lecture #3 Linear regression model (2): Least square method Lecture #4 Linear regression model (3): Overdetermined and underdetermined system, singular value decomposition Lecture #5 Linear regression model (4): Generalized inverse matrix Lecture #6 Linear regression model (5): Regularization, sparse modeling Lecture #7 Linear classification model (1): Introduction of linear classification model Lecture #8 Linear classification model (2): Feature space, linear separability Lecture #9 Linear classification model (3): Fisher linear discriminant Lecture #10 Linear classification model (4): Support vector machine Lecture #11 Hypothesis testing (1): Basics of probability and statistics, probability distribution Lecture #12 Hypothesis testing (2): Statistical test, Statistical test for linear regression model Lecture #13 Reduced representation of measured data (1): Principal component analysis Lecture #14 Reduced representation of measured data (2): Dimensionality reduction Lecture #15 Reduced representation of measured data (3): Factor analysis, low dimensional manifold The schedule may be adjusted according to students' understanding and progress.
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）（1,000文字以内） /Preparation and review outside class（up to 1,000 letters）	線形代数、確率統計、ベクトル解析を復習しておくこと．講義前に講義で用いる資料をGoogle Classroom経由で配布するので，事前に予習を行うこと．講義中には，予習の内容に基づいた学生からの質問への回答を中心とした反転授業的形式を試み，それに加えて，重要なポイントの解説を行う．学生は，さらにその講義内容を復習し，次回の講義前あるいは講義中に質問できるようにするのが望ましい． Review linear algebra, probability and statistics, and vector analysis. The lecture materials will be distributed on Google Classroom before each lecture. Students are strongly advised to review them and prepare to ask questions in the lecture. The lecture will be given in a way of flip teaching, in which the instructor will mainly answer the questions in the lecture and will make additional explanation upon necessity.  Students are also strongly advised to review lecture contents after each lecture and prepare further questions before or during the next lecture.
成績評価方法 および評価基準 （最低達成基準を含む） （1,000文字以内） /Evaluation and grading （up to 1,000 letters）	(a) 評価方法：レポートの採点による (b) 評価基準：上記成績評価の6割を持って合格最低基準とする． (c) 到達レベル 計測データのモデリングの基礎に関わる計算を正しく行い，関連知識を正しく説明できることを最低基準とする． (a) Evaluation: based on a score of students' report (b) Criteria: above 60% of a total score (c) Expected level to achieve: Correctly perform calculations related to the fundamentals of the modeling of measured data and correctly explain related knowledge.
オフィスアワー： 授業相談（1,000文字以内） /Office hours（up to 1,000 letters）	木曜日4限．E-mailなどで事前にアポイントを取ることが望ましい 14:40 - 16:10, every Thursday. An e-mail contact prior to your visit is preferable.
学生へのメッセージ（1,000文字以内） /Message for students（up to 1,000 letters）	線形モデリングや信号処理は，非常に広範な工学的問題の解析の基礎となります． 自分の研究テーマとの関連性を考えながら，能動的に学習することを望みます． Linear modeling and signal processing is basics for analytic solutions for engineering problems in the wide field. Students are required to learn the topics actively while considering relationship with their own research themes.
その他 /Others	なし NA
キーワード /Keywords	線形回帰，線形判別，統計的仮説検定，多変量解析 Linear regression, linear classification, statistical hypothesis testing, multivariate analysis