秋/2

1

授業計画 / Course Content

1．パターン認識システムの概要　
　パターン認識システムについて、システム全体とシステムを構成する各部分の機能と応用について説明する。
2．パターン認識システムの評価法
　パターン認識システムの評価法に関して説明する。
3．最近傍決定則
　もっとも基本的なパターン認識手法である最近傍決定則について説明する。
4．線形識別関数と学習
　重要な識別モデルである線形識別関数とその学習問題の定式化について説明する。さらに最近傍決定則と線形識別関数の関係について述べる。
5．重み空間と解領域
　線形識別関数の学習において重要な重み空間と解領域について説明する。
6.  パーセプトロンの学習規則
　学習用サンプルから線形識別関数の重みベクトルを決定するためのアルゴリズムであるパーセプトロンの学習規則について説明する。
７．パーセプトロンの学習規則の例と区分的線形識別関数
　パーセプトロンの学習規則の例題を示し、決定境界が非線形な場合でも対応可能な区分的識別関数について説明する。
８．誤差評価に基づく学習規則（評価関数、閉じた形の解）
　学習用サンプルから線形識別関数の重みベクトルを決定するためのもうひとつのアルゴリズムである誤差評価に基づく学習規則について、まず基本的な考え方と閉じた形の解を求める方法について説明する。
９．誤差評価に基づく学習規則（逐次近似による解）
　引き続き、誤差評価に基づく学習規則について、逐次近似による解法（Widrow-Hoffの学習規則）について説明する。また、Widrow-Hoffの学習規則とパーセプトロンの学習規則の関係についても述べる。
10．フィードフォワード型ニューラルネットワーク
　非線形な決定境界にも対応可能なフィードフォワード型ニューラルネットワークによるパターン認識について説明する。まず、ネットワークの構造と計算法について述べる。
11．誤差逆伝搬法による学習
　引き続き、フィードフォワード型ニューラルネットワークについて誤差逆伝搬法による学習法について説明を行う。
12．深層学習
　深層学習に基づくニューラルネットワークについて、代表的な手法や応用について概説する。特に画像と関連の深い畳み込みニューラルネットワークを中心に説明を行う。
13．線形サポートベクトルマシン
　線形識別関数の設計方法として非常に有効である線形サポートベクトルマシンの原理と解法について説明する。
14．ソフトマージンサポートベクトルマシンとカーネル法
　線形サポートベクトルマシンを線形識別関数では対応できない場合に拡張する手法であるソフトマージンサポートベクトルマシンとカーネル法について説明を行う。
15．教師無し学習
　k-means法や階層型クラスタリングなどいくつかの教師無し学習の手法について説明を行う。
授業中では、各単元に対応する演習課題が提示され、適宜それについての解説を行う。

授業時間外学習 / Expected work outside of class

講義範囲の復習を行い、演習問題を自分の手で解いてみること。

方法 / Grading Policies

定期試験（筆記試験）の成績で評価する。
成績評価は定期試験のみ（１００％）で行う。本講義の到達目標を達成できているかどうかについて評価を行う。

基準・評価 / Evaluation Criteria・Assessment Policy

到達目標の評価基準については授業中に取り上げる例題および各演習課題に正答できることが基準となる。
①知識・技能の観点
定期試験
②思考力・判断力・表現力等の能力の観点
定期試験の解答内容

石井健一郎，上田修功，前田英作，村瀬　洋　共著　　『わかりやすいパターン認識（第二版）』　　（オーム社）　　
酒井幸市　　『画像処理とパターン認識入門』　　（森北出版）　　
後藤正幸，小林　学　　『入門　パターン認識と機械学習』　　（コロナ社）　　
平井有三　　『はじめてのパターン認識』　　（森北出版）　　
舟久保登　　『パターン認識』　　（共立出版）