プログラミング応用IIＣ

全体の構成としては，前半では機械学習および深層学習の基礎的な概念と実装方法を扱い，中盤ではニューラルネットワークおよび基盤モデルの活用へと発展させ，後半ではプロジェクトベースの学習を通じて統合的な理解を深める。各トピックについては，概念理解と実装演習を交互に行うことを基本とし，理論と実践を往復することで理解を定着させる設計とする。ただし，受講者の習熟度や環境構築の進捗に応じて，演習の比重や扱う内容は柔軟に調整する。 講義の初期段階では，環境構築やPythonの基礎，データの取り扱いといった前提知識を確認しつつ，機械学習における基本的な問題設定（回帰・分類）や評価の考え方を扱う。その後，代表的な機械学習手法を用いた実装を通じて，モデルがどのようにデータからパターンを学習するのかを具体的に理解する。 中盤では，ニューラルネットワークの基本構造や学習原理を導入し，深層学習の実装へと進む。ここでは，フレームワーク（例：PyTorch）を用いたモデル構築と学習プロセスの理解を重視し，画像やテキストといった具体的なデータに対する応用を扱う。また，近年の基盤モデルに関しても，その基本的な考え方と利用方法を概観し，既存モデルを活用したタスク解決の方法について触れる。 後半では，各自またはグループでのプロジェクトを通じて，問題設定からデータ準備，モデル選択，評価，結果の解釈に至るまでの一連のプロセスを実践する。これにより，個別の手法の理解にとどまらず，実際の課題に対して機械学習をどのように適用するかという視点を養う。最終回では成果発表を行い，相互にフィードバックを行うことで理解を深化させる。

講義とグループワーク/演習を交互に行う

毎回の課題 （50%）および最終終課題（50%）により判定する

基本的な線形代数および確率統計の知識を仮定する