授業題目
/Class
subject | | 医学AI概論I
Introduction of Artificial Intelligence in Medicine 1 |
|
|
授業担当
教員
/Lecturer | | 木村芳孝教授、田宮元教授、岩崎淳也講師、他
Drs. Yoshitaka Kimura, Gen Tamiya, Junya Iwazaki and others |
|
|
開講期間
/Term of
Classes | | 今年度は開講しない
No class in this year |
|
|
開講曜日・
時間
/Day and
Time | | 今年度は開講しない
No class in this year |
|
|
教室
/Classroom | | 今年度は開講しない
No class in this year |
|
|
授業の
目的と概要
/Object
and
Summary
of Class | | 医療分野における人工知能の役割とその基盤技術である機械学習の基本概念・技術について学ぶ。機械学習の代表的な分析手法である回帰、分類などについて、手を動かしながらシステムを作成し、実データを処理する過程で医療分野における機械学習について理解を深める。プログラミング言語pythonの基礎と機械学習で重要な役割を持つ数値計算ライブラリの使い方を習得する。
In this course, students will learn about the role of artificial intelligence in the medical fields and fundamental concepts and skills of machine learning.
To deepen own understanding of regression and classification, etc, which are the fundamental components of machine learning, by hands-on programming.
To learn about programming language Python and how to use a numerical calculation library which has the important role of machine learning. |
|
|
学修の
到達目標
/Goal of
study | | 人工知能の基礎知識と医療分野における役割を理解すると同時に、python言語で基本的な機械学習のプログラムが書けるようになる。
This course is designed to help students understand the basic knowledge of artificial intelligence in medical field and develop basic programming skills for machine learning by Python language. |
|
|
授業内容
・方法と
進度予定
/Contents
and
progress
schedule of
the class | | 1. 機械学習概論と授業の進め方（岩崎・田宮）
2. 機械学習・人工知能に必要な数学の初歩（木村）
3. 機械学習・人工知能に必要な数学の初歩（木村）
4. Python/Unixプログラミングの基礎（岩崎・田宮）
5. 単回帰と重回帰（岩崎・田宮）
6. ロジスティック回帰（岩崎・田宮）
7. 学習モデルの複雑さと汎化（岩崎・田宮）
8. L1正則化とL2正則化（岩崎・田宮）
9. Elastic net（岩崎・田宮）
10. 尤度とベイズ学習（岩崎・田宮）
11. パーセプトロン（岩崎・田宮）
12. サポートベクトルマシン(SVM)（岩崎・田宮）
13. 決定木とランダムフォレスト（岩崎・田宮）
14. k-近傍法（岩崎・田宮）
15. 次元削除（岩崎・田宮）
1. Introduction and fundamental concepts of artificial intelligence
2. Prerequisite mathematics for applications in machine learning and artificial intelligence 1
3. Prerequisite mathematics for applications in machine learning and artificial intelligence 2
4. Introduction to Python/Unix programming environment
5. Single regression and multiple regression
6. Logistic regression
7. Complexity of training models and generalization
8. L1 regularization and L2 regularization
9. Elastic net regularization
10. Likelihood and Bayesian learning
11. Perceptron
12. Support Vector Machine
13. Decision tree and random forest
14. k-nearest neighbor algorithm
15. Dimensionality reduction |
|
|
成績評価
方法
/Evaluation
method | | 出席と演習課題の内容で評価する
Evaluate submitted report, attendance and so on. |
|
|
教科書
および
参考書
/Textbook
and
References | | |
|
授業時間外
学修
/Preparation
and
Review | | |
|
連絡先
/Contact | | |
|
その他・備考
/In Addition
・Notes | | 今年度は開講しない
No class in this year |
|
|
更新日付
/Last
Update | | 2021/04/05 17:24:22 |
|
| | | |