到達目標
状態空間や記号論理により問題を表現することができ,問題表現にもとづいて問題の特性に合わせた解決法を選択することができる.問題解決と知識ベースの観点から,様々な知識の表現と利用について理解できる.知識獲得と学習について基本的な手法について理解できる.
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 |
古典的な人工知能の技術 | 従来の人工知能の技術について説明できる. | 従来の人工知能の基本技術について説明できる. | 従来の人工知能の基本技術について説明できない. |
最新の人工知能分野の技術や応用 | 最新の人工知能分野の動向について応用を含めて説明できる. | 最新の人工知能分野の動向を説明できる. | 最新の人工知能分野の動向について説明できない. |
| | | |
学科の到達目標項目との関係
JABEE (A) 実践技術者としての高度でかつ幅広い基本的能力・素養
教育方法等
概要:
近年,様々な工学分野で注目を集める人工知能の技術を支える知識処理を中心に,知的ソフトウェアシステムの開発にとって有用な基礎科学について学習する.特に,探索,判断,推論,学習など,様々な知識の利用によって問題解決を行うための基本的な手法について学習する.成績評価については,課題,発表,レポートに基づき行う.
授業の進め方・方法:
授業は,ゼミおよび演習で実施する.受講学生は,事前に担当部分を調査・学習し,発表原稿を作成して発表準備を行うこと.発表時に発表概要のコピーを配布すること.
事前学習:教科書を読み,疑問点を明らかにする.担当部分のまとめを行う.
事後学習:授業内容について,資料をもとに理解を深める.
注意点:
発表はプロジェクタ等を用いてわかり易く行うこと.テーマに関連した課題を演習として課すのでそれをレポートとして提出すること.
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 |
人工知能の過去と現在と未来 |
人工知能と知識処理の基礎とその変遷を理解できる.
|
2週 |
ルールベースとその発展型 オートマトンと人工生命プログラム |
ルールベースとその発展型 オートマトンと人工生命プログラム
|
3週 |
重み付けと最適解探索 重み付けと最適化プログラム |
回帰分析と類似度について理解できる. グラフ理論の基礎的な知識と解析手法について理解できる. ニューラルネットワークやベイジアンネットワーク,遺伝的アルゴリズムについて理解できる.
|
4週 |
統計的機械学習(確率分布とモデリング) 統計的機械学習(教師なし学習と教師あり学習) |
統計的機械学習(確率分布とモデリング) 統計的機械学習(教師なし学習と教師あり学習)
|
5週 |
強化学習と分散人工知能 深層学習 |
強化学習について理解できる. ディープラーニングについて理解できる.
|
6週 |
画像や音声のパターン認識 自然言語処理と機械学習 |
機械学習,深層学習に基づいたパターン認識の手法につい て理解できる. 自然言語処理について理解できる.
|
7週 |
知識表現とデータ構造 分散コンピューティング |
知識表現について理解できる. 分散コンピューティング環境と学習で使用されるプラット フォームについて理解できる.
|
8週 |
大規模データ・IoTとのかかわり |
大規模データの扱いと,IoTの関連について理解できる.
|
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
| 課題 | 発表 | レポート | 合計 |
総合評価割合 | 50 | 20 | 30 | 100 |
基礎的能力 | 10 | 10 | 0 | 20 |
専門的能力 | 40 | 10 | 10 | 60 |
分野横断的能力 | 0 | 0 | 20 | 20 |