基本情報/Basic Information

開講科目名 ／Class	機械学習／Machine Learning
授業コード ／Class Code	B601721001
ナンバリングコード ／Numbering Code	DSCc509
開講キャンパス ／Campus	ﾎﾟｰﾄｱｲﾗﾝﾄﾞ
開講所属 ／Course	経営学部／Business Administration
年度 ／Year	2026年度／Academic Year
開講区分 ／Semester	前期／SPRING
曜日・時限 ／Day, Period	火3(前期)／TUE3(SPR.)
単位数 ／Credits	2.0
主担当教員 ／Main Instructor	金澤　拓也／KANAZAWA　TAKUYA
遠隔授業 ／Remote lecture	No

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
金澤　拓也／KANAZAWA　TAKUYA	経営学部／Business Administration

授業の方法 ／Class Format	対面授業（講義，演習）
授業の目的 ／Class Purpose	本講義は，経営学部のＤＰに示す，「企業を始めとした多様な組織の事業計画・経営戦略の策定に必要なデータを収集し，意思決定に必要な課題をシステマティックに分析し，合理的な解決を図るのに必要な知識や技能を修得する」ことを目指す。 機械学習はデータに内在するパターン・法則性を統計的技術によって同定し未知データの予測に生かすことを主たる目的とする。データマイニングやパターン認識といった隣接分野とも極めて近い関係にある。従来，経済学や医学で使われてきた線形モデルと異なり，機械学習では非線形なモデルを中心に扱う。訓練データを丸暗記して内挿するだけの「過学習（過剰適合）」をいかに避けるかが機械学習のメインテーマの１つとなる。こうしたトピックについて解説するとともに，演習を通じて受講生には手も動かしてもらいたい。 なお，この科目の担当者は，企業でAIとデータサイエンスの産業応用について研究開発を行った実務経験のある教員である。講義では，経験を生かした実践的な学びへと繋げていきたい。
到　達　目　標 ／Class Objectives	・教師あり学習が解けるのはどんなタスクか説明できる。 ・ロジスティック回帰や決定木といった代表的なアルゴリズムの概要を説明できる。 ・データが少ないときなぜ過学習しやすいかを説明できる。 ・ソフトウェアを用い，サンプルデータを用いて基礎的な機械学習を実行できる。 ・機械学習モデルの性能指標（R^2やrecallなど）を理解している。
授業のキーワード ／Keywords	AI，人工知能，機械学習，回帰，分類，特徴量，交差検証，損失関数，汎化，過学習
授業の進め方 ／Method of Instruction	前半は主に講義形式で進める。 後半の演習の回では各自が自分のPCで作業を行うため，充電した使用可能な状態のノートPC（必要に応じて電源ケーブルとマウスも）を持参できることを受講の前提条件とする。 プログラミングなしでデータ分析と機械学習を体験できるSAS社のソフトウェア「JMP」（ジャンプと読む）を使用する予定であるが，状況に応じて変更する場合がある。なおJMPは学生は無料で利用できる。https://www.jmp.com/ja_jp/academic/jmp-student-edition.html また演習を行う回は授業の進度によってシラバスの予定からずれる可能性があるので，授業中のアナウンスを聞いて準備すること。
履修するにあたって ／Instruction to Students	本科目は対面実施を基本とする。授業中の私語は禁止する。 講義に関する連絡，資料提供などは主にMoodleを用いる。本科目のMoodleページから転送されるメールを必ず確認すること。Moodleのメールを確認しなかった場合，授業中に口頭で伝えた連絡事項を自己都合による欠席で聞き逃した場合，配布されたプリントを自己都合による欠席で受け取れなかった場合，持参すべき物（PC，スマホ，プリント等）を不注意または故意に持参しなかった場合，の不利益は全て履修者自身の責任とする。なおプリント類の後日の再配布は原則として行わない。
授業時間外に必要な学修内容・時間 ／Required Work and Hours outside of the Class	復習のため毎週1時間程度の自宅学習が必要である。
提出課題など ／Quiz,Report,etc	授業中に指示する。
成績評価方法・基準 ／Grading Method・Criteria	演習への取り組みと成果物（30%）＋期末試験（70%）で総合的に評価する。 レポートの評価点は上記の成績評価に加点するものとし，もし総合評価が100点を超えた場合は切り捨てにより100点とする。レポート執筆に生成AIを用いる場合はどのように利用したかを記載しなければならない。もしレポートの主たる内容が生成AIの出力のコピーであると判断された場合には0点にするか大幅に減点する。 病気等のやむを得ない事情で演習回を欠席し，後日，公認欠席届を提出した場合には，この欠席に由来する減点は行わない。 授業中に他の履修者に対して迷惑行為を行い，改善が見られない場合や，常習的に教員の指示に従わない場合には成績を大幅に減点する。ここで言う迷惑行為には，スマホで音を出して動画を見たり授業に関係のない雑談をしたりする「他の出席者にとって迷惑な行為」を全て含むものとする。
テキスト ／Required Texts	特定のテキストは使用しない。
参考図書 ／Reference Books	・須藤秋良ほか　『スッキリわかるPythonによる機械学習入門　第2版』　インプレス　2024年　3,300円 ・A. C. Mullerほか　『Pythonではじめる機械学習 --- scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎』　オライリージャパン　2017年　3,740円 ・山口達輝ほか　『図解即戦力　機械学習&ディープラーニングのしくみと技術がこれ1冊でしっかりわかる教科書』　技術評論社　2019年　2,178円 ・小高知宏　『人工知能入門　第２版』　共立出版　2023年　2,640円 ・赤穂昭太郎ほか　『応用基礎としてのデータサイエンス』　講談社　2023年　2,860円 ・秋庭伸也　『見て試してわかる機械学習アルゴリズムの仕組み　機械学習図鑑』　翔泳社　2019年　2,948円 ・齋藤政彦ほか　『データサイエンス講座１　データサイエンス基礎』　培風館　2021年　2,420円

No.	回 ／Time	主題と位置付け ／Subjects and position in the whole class	学習方法と内容 ／Methods and contents	備考 ／Notes
1	第1回	ガイダンス	授業の進め方，学習内容の説明。
2	第2回	機械学習の基礎知識 (1)	機械学習の分類や実応用の例をもとに，教師あり学習の概要を学ぶ。
3	第3回	機械学習の基礎知識 (2)	機械学習の分類や実応用の例をもとに，教師あり学習の概要を学ぶ。
4	第4回	分類入門	主にロジスティック回帰モデルを学ぶ。
5	第5回	回帰入門	線形回帰や多項式回帰などシンプルな回帰モデルを学ぶ。
6	第6回	AIモデルの評価指標とデータ前処理	過学習，汎化，バイアス・バリアンスの意味を理解する。交差検証（クロスバリデーション）の仕方を学ぶ。
7	第7回	発展的モデル (1)	決定木やランダムフォレスト，ブースティングなどの発展的な非線形モデル（ツリー系）の特徴を学ぶ。
8	第8回	発展的モデル (2)	SVMやガウス過程回帰などの発展的な非線形モデル（ツリー系以外）の特徴を学ぶ。
9	第9回	教師なし学習	正解ラベルがないデータの扱いについて理解する。次元削減，クラスタリングの基礎を学ぶ。
10	第10回	その他の話題	異常検知，推薦エンジン，画像・言語データの学習などの中から話題をピックアップして紹介する。
11	第11回	実践演習 (1)	PC上で機械学習を体験する。
12	第12回	実践演習 (2)	PC上で機械学習を体験する。
13	第13回	実践演習 (3)	PC上で機械学習を体験する。
14	第14回	実践演習 (4)	PC上で機械学習を体験する。
15	第15回	実践演習 (5)	PC上で機械学習を体験する。