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)
ナンバリングコード ／Numbering Code	22-2070
開講所属 ／Course Offered by	経済学部経営学科／ECONOMICS MANAGEMENT
ターム・学期 ／Term・Semester	2025年度／2025 Academic Year　　秋学期／FALL SEMESTER
曜限 ／Day, Period	金3／Fri 3
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
遠隔授業科目 ／Online Course	－

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の主要な技術である機械学習についての幅広い知識を身につけることを目的とします。 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を使って実際にプログラムを作成する実習も行います。 プログラム作成を通じて、さまざまな問題の機械学習についての理解を深めます。 ---------- 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	この講義は、春学期に開講される情報システム論aを受講して、Pythonの基本的な文法と機械学習について理解していることを前提として進めます。情報システム論aのシラバスに目を通して、プログラム作成や機械学習（ニューラルネットワーク）の理論について理解しているか確認してください。 講義は一般教室で、各自が持参したコンピューター（WindowsまたはMac）を使って行います。 PC教室を使用しませんので、毎回コンピューターを持参してください。 バッテリーの劣化などにより講義時間中にコンピューターを電源に接続する必要がある場合は、各自のコンピューター用のアダプターも持参してください。 電源タップは貸出します。 Googleのサービスを利用するので、講義開始前にGoogleのアカウントの取得が必要です。
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、講義時間100分、事後学修120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	講義時間中に作成したプログラムをGoogleフォームに提出し、その内容を評価します（100%）。 提出物へのコメントは、提出締切の次の講義で行います。 期末の試験やレポート提出はありません。 Googleフォームにノートを提出すると、自動で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。 締切後の課題提出は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、システムズ・エンジニアリング、データマイニング論、アルゴリズム論、AI入門、データサイエンス入門、情報システム概論
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。
DPとの関連 ／Relation to DP	△:幅広い教養 ○:情報分野における専門的知識

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	講義の準備、進め方、成績評価	各自のコンピューターを持参する。Google Chrome、Google Colaboratory、講義の進め方、成績評価の方法を説明する。	【事前学修】講義で学ぶ内容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	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。	【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】Googleドライブのマウント、モジュールpandasやmatplotlibの使用方法を復習する。
3	画像データを機械学習する	機械学習により画像をクラス分類できるよう学習し、別途用意した学習に使用していない画像を正しく分類できるか確認する。	【事前学修】画像データが2次元状のピクセル（点）で構成されていることを確認する。 【事後学修】通常のニューラルネットワークでは、画像のような2次元データを1次
4	機械学習の結果を分析する	機械学習を行って得られた結果の分析方法について説明し、学習をどの程度の回数実行すればよいか判断する方法を学ぶ。	【事前学修】Accuracy, Presicion, Recall, 過学習といった用語を調べる。 【事後学修】学習結果の分析結果が何を計算したものか復習する。
5	畳み込みニューラルネットワーク（CNN） 理論	画像を機械学習する際に用いられる、畳み込みニューラルネットワークの構造と学習方法を理解する。	【事前学修】畳み込み層、プーリング層、ドロップアウトといった用語を調べる。 【事後学修】CNNで画像を効率良く学習するための構造を確認する。
6	畳み込みニューラルネットワーク（CNN） プログラム作成	畳み込みニューラルネットワークのプログラム作成手順を実習する。	【事前学修】畳み込みニューラルネットワークの理論を復習する。 【事後学修】作成したプログラムと理論が対応する箇所を確認する。
7	改めて画像データを機械学習する	一般的なニューラルネットワークと畳み込みニューラルネットワークを使ったカラー画像の機械学習を行うプログラムを作成し、性能の違いを検討する。	【事前学修】グレースケール、カラー画像データの構造を確認する。 【事後学修】作成したプログラムの構造を確認する。
8	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-4といった技術の概要を調べる。
9	文章を機械学習する（通常のニューラルネットワーク）	文章を機械学習する際に必要な技術を学ぶと同時に、通常のニューラルネットワークでは学習結果が著しく悪くなることを確認する。	【事前学修】形態素解析とは何か調べる。 【事後学修】文章を前処理することで、文章を画像の学習と同様に行えることを確認する。
10	文章を機械学習する（RNN）	RNNが文章を機械学習する上で有効であることを理解し、機械学習するプログラムを作成する。	【事前学修】通常のニューラルネットワークで文章を効率よく学習できない理由を調べる。 【事後学修】RNNを使うことで、なぜ学習結果が向上するか確認する。
11	回帰  理論	クラス分類とは異なる、将来の株価のような値を直接予測する回帰について理解する。	【事前学修】機械学習における回帰がどのようなものであるか確認する。 【事後学修】クラス分類と回帰を行う際の、同じ部分と異なる箇所を復習する。
12	回帰  プログラム作成	回帰を使ったプログラムを作成して値を予測する。	【事前学修】回帰の理論を復習する。 【事後学修】報酬の設定によって問題解決の難易度が変わることを確認する。
13	ニューラルネットワークとは異なる機械学習手法  SVM、ランダムフォレスト	ニューラルネットワークとは異なる構造の機械学習手法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】SVM、ランダムフォレストの機械学習手法について概要を調べる。 【事後学修】SVM、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。
14	教師なし学習 k-means法、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法、PCA、t-SNEで何を行っているか確認する。