到達目標
(1) 並列情報処理の存在を理解して発想を広くもち，ノイマン型情報処理との違いを理解できる．（定期試験）
(2) エネルギー関数の概念を理解し，説明できる．（定期試験，課題）
(3) 並列情報処理アルゴリズムを簡単な最適化問題やコンピュータビジョンに適用できる．（定期試験，課題）
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 | 並列情報処理の存在を理解して発想を広くもち，ノイマン型情報処理との違いを理解でき，計算に利用できる． | 並列情報処理の存在を理解して発想を広くもち，ノイマン型情報処理との違いを理解できる． | 並列情報処理の存在を理解して発想を広くもち，ノイマン型情報処理との違いを理解できない． |
| 評価項目2 | エネルギー関数の概念を理解し，説明できる． | エネルギー関数の概念を理解できる． | エネルギー関数の概念を理解できない． |
| 評価項目3 | 並列情報処理アルゴリズムを簡単な最適化問題やコンピュータビジョンに適用できる． | 並列情報処理アルゴリズムを簡単な最適化問題やコンピュータビジョンに適用できることを理解できる． | 並列情報処理アルゴリズムを簡単な最適化問題やコンピュータビジョンに適用できことが理解できない． |
学科の到達目標項目との関係
教育方法等
概要:
脳の構造をまねて作られた情報処理機構であるニューラルネットワークについて講義する．階層型モデルとリカレント型モデルの基本を学び，パターン分類，パターン復元，最適化問題，コンピュータビジョンなどの情報処理に応用する方法についても学ぶ．また実際の脳の視覚野における情報処理機構も講義する．
（科目情報）
教育プログラム 第４学年 ○科目
授業時間 23.25時間
関連科目 コンピュータ(E科4年),ソフトウェア設計Ⅱ(S科5年),パターン認識（専攻科）
授業の進め方・方法:
座学を中心に進めるが，理解を助けるために，数多くのコンピュータシミュレーションを見せる．感覚的な理解の上で，数式の理解にも努めてほしい．
（再試実施条件）
総合評価が50点以上60点未満の学生には再試験を行い，60点以上取得で合格とする．正当な理由なく定期試験を欠席した者や不正行為により不合格となった者には再試験は行わない．
注意点:
（履修上の注意）
階層型ニューラルネットワークの学習およびリカレント型ニューラルネットワークの学習＆状態変化には，エネルギーの概念が出てくる．重要な概念であるため意識して理解すること．Hopfieldモデルは統計物理のスピングラスモデルを脳モデルに焼き直したものである．よって計算機科学の研究を行う学生だけでなく，物性系の研究を行う学生にも有用である．
（自学上の注意）
適宜，宿題を出すので，定期試験で十分な力が発揮できるよう独力および書籍等を参考にして理解しながら解答し，提出すること.
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
脳とノイマン型コンピュータ
神経回路のモデル化(マカロピッツニューロン他)と情報表現 |
脳とノイマン型コンピュータの比較を行い，各々の特徴を理解する．
|
| 2週 |
階層型ニューラルネットワーク
パーセプトロン型ネットワーク
XOR問題
パーセプトロンの学習則
誤差逆伝播学習則
情報処理装置への応用 |
階層型ネットワークの一つである，パーセプトロンについて学習する．また，パーセプトロンの学習限界について学ぶ．また,パーセプトロンの学習限界を解決するために,誤差逆伝播学習則を導入したネットワークについて学習する．深層学習に関するネットワーク構造および学習法についても学ぶ．
|
| 3週 |
同上 |
同上
|
| 4週 |
同上 |
同上
|
| 5週 |
Hopfieldモデル
連想記憶モデルの想起と学習
連想記憶モデルへのエネルギー関数の導入
最適化問題への応用
シミューレーテッドアニーリング |
代表的なリカレント型モデルであるHopfieldモデルについて説明し，パターン復元などロバストな情報処理ができることを説明する．また，アトラクタを持つ性質を利用して，最適化問題の解法として利用できることを説明する．情報処理に確率動作を導入することで，ローカルミニマムから脱する方法について説明する．必要に応じて計算機シミュレーションを見せる．
|
| 6週 |
同上 |
同上
|
| 7週 |
同上 |
同上
|
| 8週 |
同上 |
同上
|
| 2ndQ |
| 9週 |
同上 |
同上
|
| 10週 |
コンピュータビジョン(不良設定問題)への適用
小窓問題
陰影情報からの３Ｄ復元
エッジ検出問題 |
様々な不良設定問題を標準正則化理論と呼ばれる解法で統一的に解く方法について説明し，ハードウェア実現に関してニューラルネットワークの使用が適していることを説明する．必要に応じて，計算機シミュレーションを見せる．
|
| 11週 |
同上 |
同上
|
| 12週 |
同上 |
同上
|
| 13週 |
同上 |
同上
|
| 14週 |
脳の視覚野の生理学的知見
網膜から初期視覚野へ
初期視覚野から前頭葉・側頭葉・頂頭葉へ |
実際の脳の生理学的知見を説明する．オンオフセンターセル，方位選択性細胞，コラム構造，受容野などについて説明する．
|
| 15週 |
前期期末試験 |
|
| 16週 |
試験解説 |
|
モデルコアカリキュラムの学習内容と到達目標
| 分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
評価割合
| 試験 | 発表 | 相互評価 | 態度 | ポートフォリオ | 課題 | 合計 |
| 総合評価割合 | 90 | 0 | 0 | 0 | 0 | 10 | 100 |
| 基礎的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 専門的能力 | 90 | 0 | 0 | 0 | 0 | 10 | 100 |
| 分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |