基本情報/Basic Information

開講科目名 ／Course	情報システム論b／INFORMATION THEORY OF SYSTEMS(B)
開講所属 ／Course Offered by	経済学部経営学科／ECONOMICS MANAGEMENT
ターム・学期 ／Term・Semester	2023年度／2023 Academic Year　　秋学期／FALL SEMESTER
曜限 ／Day, Period	金2／Fri 2
開講区分 ／semester offered	秋学期／Fall
単位数 ／Credits	2.0
学年 ／Year	2,3,4
主担当教員 ／Main Instructor	今福　啓

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
今福　啓	経営学科／MANAGEMENT

授業の目的・内容 ／Course Objectives	この講義は、実社会で広く利用されている 人工知能 についての理論的な内容を修得することが目的です。 理論的な内容を理解するだけでなく、プログラミング言語Pythonを使って実際に人工知能のプログラムを作成する実習も行います。 この講義は、情報システム論aを受講していることを前提として進めます。情報システム論aを受講せず、情報システム論bのみ受講する場合は、情報システム論aのシラバスで内容を理解しているか確認してください。 ---------- この講義では経済学部の学位授与方針に掲げる能力を育成するため、教育課程の編成・実施方針が示す学科専門科目としてコンピュータに関連する専門的な知識を習得し、コンピュータを実践的に使用するために必要となる力を身につけます。 履修後は、履修系統図が示す3年次以降の学科専門科目、教職関連科目、演習科目の学修を円滑に進めることができます。
授業の形式・方法と履修上の注意 ／Teaching method and Attention the course	講義はすべてオンデマンド配信（YouTubeの限定配信動画を講義日より2日以内に視聴して学習する）で行います。 初回講義の動画で講義の進め方、成績の評価方法を説明します。 動画の視聴方法などは、講義初日の前日までにPorta IIの講義連絡とメールで送信します。 成績評価に関連する提出物へのコメントは、提出締切後の次の講義で行います。 ただし講義内で説明した内容と同じファイルを作成して提出する場合は除きます。
事前・事後学修の内容 ／Before After Study	授業計画詳細情報にある 事前・事後学修の内容 を参照してください。 ---------- 大学設置基準が定める学修時間に従い、1回の講義につき事前学修120分、事後学修120分、講義時間100分の学修時間となることを想定しています。
テキスト1 ／Textbooks1	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other 講義で使用するファイルを配布し、その内容に従って進めます。
テキスト2 ／Textbooks2	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other
テキスト3 ／Textbooks3	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other
参考文献等1 ／References1	書籍名/ｻｲﾄ名 ／Title 著者 ／Author name 出版社/URL ／Publisher ISBN ／ISBN その他（任意） ／other
参考文献等2 ／References2	書籍名/ｻｲﾄ名 ／Title 著者 ／Author name 出版社/URL ／Publisher ISBN ／ISBN その他（任意） ／other
参考文献等3 ／References3	書籍名/ｻｲﾄ名 ／Title 著者 ／Author name 出版社/URL ／Publisher ISBN ／ISBN その他（任意） ／other
評価方法 ／Evaluation	3～4回の講義ごとに指定する課題を作成してGoogleフォームに提出し、その内容を評価します（100%）。 Googleフォームに課題を提出すると、確認メールが送信されます。 届いたメールは課題を提出したことの証明となりますので、必ず保存してください。 課題の提出が遅れたという理由で、課題をメールに添付して提出しても受け付けませんので注意してください。
関連科目 ／Related Subjects	コンピュータアーキテクチャ、情報通信ネットワーク、プログラミング論、データベース論、マルチメディア論、Webデザイン論、データマイニング論、アルゴリズム論
備考 ／Notes
到達目標 ／Learning Goal	コンピュータ内部でのデータ構造、情報処理手順、およびコンピュータ自身が問題の変化に応じて解決手順を構築する手法等に関して専門知識を習得し、コンピュータを用いたより効率的な問題解決ができるようにする。

回 ／Time	授業計画（主題の設定） ／Class schedule	授業の内容 ／Contents of class	事前・事後学修の内容 ／Before After Study
1	講義で使用するソフトウェアの準備	講義で学習する内容、講義の進め方、成績の評価方法を理解し、講義で使用する Google ChromeとGoogle Colaboratory の導入と操作方法を習得する。	【事前学修】この講義で学ぶことを授業概要を通じて理解する。 【事後学修】講義で使用するソフトウェアを正しく使用できるか確認する。
2	プログラミング言語Pythonの復習、モジュールmatplotlibによるグラフ作成	情報システム論aで学習したPythonによるプログラム作成について確認すると同時に、グラフ作成に使用するモジュールmatplotlibの使い方を習得する。	【事前学修】Pythonの文法とプログラム作成の手順を確認する。 【事後学修】モジュールmatplotlibで作成できるグラフの種類や、グラフに追加できる要素について確認する。
3	教師あり学習：パーセプトロン	教師あり学習に使用する要素のパーセプトロンについて学ぶ。	【事前学修】教師あり学習がどのような手法であるか確認する。 【事後学修】ニューラルネットが脳の構造を模倣して作られていることを確認する。
4	学習結果を詳細に分析する	モジュール sklearn の classification_report を使って学習結果を詳細に分析する方法を習得する。	【事前学修】Accuracy、Precision、 Recallについて調べる。 【事後学修】Accuracy、 Precision、 Recallの計算方法を確認する。
5	パーセプトロンの学習（理論）	パーセプトロンの学習方法を理解する。	【事前学修】パーセプトロンの計算手順を確認する。 【事後学修】パーセプトロンの学習では入力に対する出力が教師信号に一致するよう学習により重みとバイアスを修正することを確認する。
6	パーセプトロンの学習（プログラム作成）	パーセプトロンが学習するプログラムを作成する。	【事前学修】パーセプトロンで学習する手順を確認する。 【事後学修】作成したプログラムの構造を確認する。
7	パーセプトロンを接続して一般的な問題を学習する	パーセプトロン1つでは正しく分類できない問題や、入力と出力が0と1ではない問題を処理する方法を学ぶ。	【事前学修】パーセプトロンでは線形分離可能となる問題しか学習できないことを確認する。 【事後学修】活性化関数を変更することで学習できる問題が広がることを確認する。
8	ニューラルネットワークとバックプロパゲーションの概要（理論）	パーセプトロンを複数並べてネットワークを構成したニューラルネットワークの構造と学習方法を学ぶ。	【事前学修】ニューラルネットワークの構造を確認する。 【事後学修】ニューラルネットワークでどのように学習が行われるか確認する。
9	ニューラルネットワーク（プログラム作成）	モジュールKerasを使ってニューラルネットワークによる学習を行うプログラムを作成する。	【事前学修】これまで作成したパーセプトロンを使った機械学習のプログラムを確認する。 【事後学修】モジュールを使った機械学習のプログラム作成手順を確認する。
10	ディープラーニング（理論）	膨大な数のニューロンを並べ、学習を工夫することでデータから自動的に特徴を抽出する手法のディープラーニングについて学ぶ。	【事前学修】ディープラーニングが実社会のどのような場面で使われているか調べる。 【事後学修】ディープラーニングで効率良く学習するための構造を確認する。
11	ディープラーニング（プログラム作成）	ディープラーニングのプログラム作成手順を実習する。	【事前学修】ディープラーニングの理論的な内容を確認する。 【事後学修】作成したプログラムの構造を確認する。
12	RNN(Reccurent Neural Network)	文章を効率良く学習する機械学習手法であるRNNについて習得する。	【事前学修】RNNについて調べる。 【事後学修】より効率良く学習できるLSTM、BERT、GPT-3といった技術の概要を調べる。
13	教師なし学習：k-means、PCA、t-SNE	教師あり学習と教師なし学習の違いを理解した上で、教師なし学習の具体的な手法であるk-means、PCA、t-SNEの詳細を学ぶ。	【事前学修】教師あり学習と教師なし学習の違いを調べる。 【事後学修】k-means、PCA、t-SNEで何を行っているか確認する。
14	決定木を使った機械学習手法：ランダムフォレスト	ランダムフォレストについて理解してプログラムを作成し、さまざまな機械学習手法の性能を実行結果から比較する。	【事前学修】ランダムフォレストや、他の機械学習手法について概要を調べる。 【事後学修】ランダムフォレストとニューラルネットワークの違いを確認する。