到達目標
近年になって著しく発展している人工知能（AI）について，ニューラルネットワークとその発展形であるディープラーニングについて原理，活用方法，応用例について学ぶ．
ルーブリック
| 理想的な到達レベルの目安 | 標準的な到達レベルの目安 | 未到達レベルの目安 |
| 評価項目1 | 判別問題に関する基礎的な概念について理解し，ニューラルネットワークを用いて解決するプログラムを開発することができる． | 判別問題に関する基礎的な概念について説明することができるが，プログラムの開発までは難しい． | 判別問題に関する基礎的な概念について説明することができない． |
| 評価項目2 | ディープラーニングの代表的な手法について理解し，そのプログラムを開発することができる． | ディープラーニングの代表的な手法について説明することはできるが，そのプログラムの開発までは難しい． | ディープラーニングの代表的な手法について説明することができない． |
| 評価項目3 | | | |
学科の到達目標項目との関係
教育方法等
概要:
本講義では，回帰問題，判別問題を主として取り上げ，それを解決する手法として，古典的な手法である線形の回帰式，判別式から学ぶ．その後，その自然な拡張として階層型ニューラルネットワークについて取り上げ，さらにその発展形として，ディープラーニングについて取り上げる．
授業の進め方・方法:
講義と演習を並行して行い，演習の際にはPythonを用いる．また，ディープラーニングのプログラム開発にはTensorFlow2.0/Kerasを用いることにする．Pythonの基本的なプログラミングが組めることを前提とする．
注意点:
演習の配点が高いので，課題等は必ず提出すること．
授業の属性・履修上の区分
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
AIと機械学習の歴史，近年のAI応用事例 |
AIと機械学習の歴史について理解し，近年のAIの応用事例について1つ以上説明できる．
|
| 2週 |
機械学習の基礎 |
判別問題と回帰問題の違いについて説明できる
|
| 3週 |
K近傍法 |
K近傍法を用いた判別問題，回帰問題に関する簡単な演習問題をプログラムで解くことが出来る
|
| 4週 |
線形判別と線形回帰，誤差関数の定義(1) |
線形判別に関する簡単な演習問題をプログラムで解くことが出来る．
|
| 5週 |
線形判別と線形回帰，誤差関数の定義(2) |
線形回帰に関する簡単な演習問題をプログラムで解くことが出来る．
|
| 6週 |
パーセプトロン |
非線形判別，非線形回帰に関する簡単な演習問題をプログラムで解くことが出来る．
|
| 7週 |
階層型ニューラルネットワーク(1) |
パーセプトロンの簡単な演習問題をプログラムで解くことができる．
|
| 8週 |
階層型ニューラルネットワーク(2) |
階層型ニューラルネットワークの簡単な演習問題をプログラムで解くことができる．誤差逆伝播法を説明できる．
|
| 2ndQ |
| 9週 |
階層型ニューラルネットワーク(3) |
パーセプトロンを階層化することによる利点について，簡単な例題を用いて説明することができる．
|
| 10週 |
交差検証法とブートストラップ法 |
学習結果の評価方法について説明できる．
|
| 11週 |
学習論 |
SDG, Momentum, AdaGrad, Adamに関する違いについて説明できる．
|
| 12週 |
画像工学，画像認識の基礎 |
畳み込み演算のしくみと画像フィルタの特性について説明できる．
|
| 13週 |
畳み込みニューラルネットワーク(1) |
畳み込み層，プーリング層について説明できる．代表的なLeNet, AlexNetの構造と特徴について説明できる
|
| 14週 |
畳み込みニューラルネットワーク(2) |
階層構造を深層化することによる問題点とその改善方法について説明できる．代表的なVGG, ResNet, MobleNetの構造と特徴について説明できる．
|
| 15週 |
畳み込みニューラルネットワーク(3) |
PyTorchを用いて，CNNの画像認識の例題を解くことができる．
|
| 16週 |
定期試験 |
|
評価割合
| 試験 | 演習 | | | | | 合計 |
| 総合評価割合 | 60 | 40 | 0 | 0 | 0 | 0 | 100 |
| 基礎的能力 | 30 | 10 | 0 | 0 | 0 | 0 | 40 |
| 専門的能力 | 30 | 30 | 0 | 0 | 0 | 0 | 60 |
| 分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |