1. ガイダンス¶
はじめに¶
プログラミングの基礎から解説し、最終的にはシンプルな機械学習モデルを構築して、実際のデータに適用できる技術を習得することを目指します。さらに、画像処理 や 自然言語処理といった身近な題材を用いて、機械学習の活用イメージを体験します。
機械学習とは¶
機械学習（Machine Learning） とは、コンピュータがデータから自動的にパターンやルールを学習し、予測や判断を行う技術です。
従来のプログラミングでは、人間が明示的にルールを記述する必要がありました。一方、機械学習では大量のデータから自動的にルールを発見できます。
機械学習の身近な例
- スパムメールフィルタ - 過去のメールデータから、スパムかどうかを自動判定
- レコメンド機能 - ユーザの購買履歴から、おすすめ商品を提案
- 画像認識 - 写真に写っているものが何かを自動で識別
- 音声アシスタント - 音声を認識し、自然言語を理解して応答
機械学習は大きく以下の 3 つに分類されます：
-
教師あり学習（Supervised Learning）
正解ラベル付きのデータから学習し、新しいデータに対して予測を行う手法
例：画像分類、株価予測、スパム判定 -
教師なし学習（Unsupervised Learning）
正解ラベルのないデータからパターンや構造を発見する手法
例：顧客のグループ分け、異常検知 -
強化学習（Reinforcement Learning）
試行錯誤を通じて最適な行動を学習する手法
例：ゲーム AI、ロボット制御
本講義では、主に 教師あり学習 を中心に、実際にデータから予測モデルを構築する方法を学んでいきます。
受講対象者¶
- Python プログラミングの経験が少ない方、または基礎から学び直したい方
- 機械学習・AI 技術に関心があり、体系的に学習したい方
- データ分析や機械学習モデルの活用スキルを身につけたい方
講義の目標¶
本講義では、以下の内容を段階的に学習します：
- Python の基礎 - 基本文法、データ処理、データ可視化
- 機械学習の基本 - データから予測モデルを構築する手法
- 代表的な機械学習手法 - 線形モデル、決定木、SVM などを実際に実装して比較
- 学習済みモデルの利用 - 既存の学習済みモデルを利用した画像認識や文章分類
本講義では難しい数式よりも実際に手を動かすことを重視した、演習中心の内容を予定しています。
シラバス概要¶
| 項目 | 内容 |
|---|---|
| 授業形式 | 対面授業（インターネットに接続できるノートパソコン必須） |
| 受講条件 | ノートパソコンを毎回持参（Python 未経験者も受講可） |
| 評価方法 | 演習への取り組み 30%、各回のレポート 40%、最終レポート 30% |
| 期末試験 | 実施しない |
| サポート | 随時 Teams またはメールで対応 |
講義スケジュール¶
全 13 回の講義を通じて、段階的に知識とスキルを習得していきます。
シラバスへの反映について
現在おおよその計画を仮で記載しています。来週までに調整・確定し、シラバスへ反映させる予定ですが、概ね以下のとおりであると考えていただき、履修の参考にしていただければと思います。
| 回 | テーマ | 内容 |
|---|---|---|
| 1 | ガイダンス | 講義概要、Python 環境の構築 |
| 2 | Python 入門 | 変数、演算、データ型、制御構文（if, for, while） |
| 3 | データ処理と可視化 | NumPy / Pandas によるデータ操作、Matplotlib / Seaborn による可視化 |
| 4 | 機械学習の基礎 | 教師あり学習の概念、データ分割、学習と予測の流れ |
| 5 | 基本的なモデル | 単回帰・重回帰分析、性能評価（MSE, R²） |
| 6 | 非線形モデル・集団学習 | 決定木・ランダムフォレスト・SVM の紹介と体験 |
| 7 | 画像処理 ① | 画像データの扱い方、画素・特徴量、画像前処理 |
| 8 | 画像処理 ② | 古典的特徴抽出（エッジ検出、HOG、ヒストグラムなど） |
| 9 | 画像処理 ③ | CNN による画像分類 |
| 10 | 自然言語処理 ① | テキストの前処理 |
| 11 | 自然言語処理 ② | Bag-of-Words / TF-IDF による文章分類 |
| 12 | 自然言語処理 ③ | 学習済みモデルによる文章分類体験 |
| 13 | 応用編・まとめ | Web アプリへの展開、全体の振り返り |
使用技術¶
本講義で使用する技術スタックは以下の通りです。すべて無料で利用可能なツールを使用します。
プログラミング言語¶
- Python - データサイエンス・機械学習分野で広く利用されているプログラミング言語
開発環境¶
- Google Colab - クラウドベースの Python 実行環境（推奨、インストール不要）
- ローカル環境 - Anaconda 等を用いた Python 環境の構築も可
初心者の方へ
Google Colab の使用を推奨します。ブラウザだけで Python を実行でき、環境構築が不要です。
また、よりシンプルなクラウドベースの Python 開発・学習環境の提供を計画しております。準備ができ次第案内いたしますので、そちらもご検討ください。
主要ライブラリ¶
データ処理・可視化¶
- NumPy - 数値計算ライブラリ
- Pandas - データ操作・分析ライブラリ
- Matplotlib/Seaborn - データ可視化ライブラリ
機械学習フレームワーク¶
- Scikit-learn - 伝統的な機械学習アルゴリズムの実装
- TensorFlow/Keras - 深層学習フレームワーク
※ 各ツールの使用方法は講義内で詳しく解説します。
Q & A¶
Python プログラミングの経験がありませんが、受講できますか？
Python の基礎から解説しますので、問題ありません。
必要なパソコンのスペックを教えてください
以下の要件を満たすノートパソコンを用意してください：
- メモリ: 8GB 以上推奨
- インターネット接続: 必須（出席登録システムや Google Colab で使用）
- OS: Windows、macOS、Linux いずれでも可
数学の知識はどの程度必要ですか？
高度な数学知識は必須ではありません。基礎的な数学・統計学の知識があれば受講可能です。理論的な説明は必要最小限にとどめ、実装を中心とした講義内容とする予定です。
講義で構築できる成果物の例を教えてください
本講義では、学んだ知識をもとに、最終的にシンプルな機械学習アプリケーションを構築します。 受講者の関心に応じて、以下のような題材から選んで取り組むことができます：
- 画像分類アプリケーション（例: 犬・猫の判別、手書き数字認識）
- テキスト感情分析システム（例: ポジティブ/ネガティブの文章判定）
講師情報¶
講師
加納 徹（機械システム工学科 / 情報工学専攻 / 地域未来共創学環）