データサイエンス

https://sites.google.com/view/utomasaki/lecture

宇都雅輝 研究室 - 講義情報

講義情報

https://sites.google.com/view/utomasaki/lecture

(a) 主題
本講義では、データサイエンスの入門として、回帰分析ならびにベイズ統計について学習する。回帰分析とは、結果となるデータを要因となるデータから明らかにする分析手法であり、ベイズ統計とは、ベイズの定理を基礎とした統計学の体系である。また、機械学習(教師あり学習、教師なし学習、強化学習)の代表的な手法の概要を学習する。

(b) 達成目標
● 回帰分析とベイズ統計における用語を正しく使うことができる。
● 回帰モデル、最小二乗法の原理を理解することができる。
● ベイズ統計の概念、およびマルコフ連鎖モンテカルロ法の仕組みを理解することができる。
● 回帰分析やベイズ統計を用いて、データ解析を行うことができる。
● 機械学習手法の種類と代表的な手法について、基本的な考え方を説明できる。

確率論、統計学

オペレーションズ・リサーチ基礎、数値計算

(a) 教科書
指定しない。資料を配付する。

(b) 参考書
小西貞則 著『多変量解析入門』(岩波書店)
佐和隆光 著『回帰分析』(朝倉書店)
鈴木武・山田作太郎 共著『数理統計学ー基礎から学ぶデータ解析』(裳華房)
汪金芳 著『一般化線形モデル』(朝倉書店)
古澄英男 著『ベイズ計算統計学』(朝倉書店)
鎌谷研吾 著『モンテカルロ統計計算』(講談社)

(a) 授業内容
1.単回帰(最小二乗法、最尤法)
2.単回帰(決定係数、仮説検定)
3.重回帰(最小二乗法、最尤法)
4.重回帰(決定係数、仮説検定)
5.変数選択
6.正則化法
7.コンピュータ演習
8.ベイズ統計(事前分布、事後分布)
9.ベイズ統計(最大事後確率推定、EAP推定)
10.マルコフ連鎖モンテカルロ法(マルコフ連鎖、詳細釣り合い条件)
11.マルコフ連鎖モンテカルロ法(メトロポリス・ヘイスティングス法、ギブス・サンプリング)
12.機械学習(教師あり学習)
13.機械学習(教師なし学習)
14.機械学習(強化学習)
15.コンピュータ演習

(b) 授業の進め方
Google Classroom を通して講義資料を配付し、その講義資料をもとに授業を行う。

(a) 予習
講義資料は遅くても 講義日前日までに Google Classroom を通して配付する。講義資料を事前にダウンロードし、各自予習を行って欲しい。

(b) 復習
配付した資料や参考書を用いて十分に復習して欲しい。また、興味のある項目については挙げている参考書等を用いて適宜学習されたい。

(a) 成績評価方法
成績は、レポート(40%)と期末試験(60%)により評価する。

(b) 評価基準
以下の到達をもって合格の最低基準とする。
● 回帰分析とベイズ統計における用語を正しく使うことができる。
● 回帰モデルに対する最小二乗推定量や最尤推定量の計算, 簡単なモデルに対する事後分布を計算することができる。
● ベイズ統計の概念、およびマルコフ連鎖モンテカルロ法の仕組みを説明できる。
● 機械学習手法の種類と代表的な手法について、基本的な考え方を説明できる。

特に設けない。質問等はメール(uto@ai.lab.uec.ac.jp)で受け付ける。

ビッグデータの出現によって、データサイエンスが大きな注目を集めています。本講義を通して、データ解析の基礎を身に付けてください。

なし