到達目標
(1) 自分の研究分野を他分野の人に紹介するプレゼンテーションを行い,積極的に討論を行うことにより,プレゼンテーション力,討論力を養う.
(2) ディープラーニングの基盤概念,Keras Framework,CNNの技術が理解できる.
ルーブリック
| 理想的な到達レベルの目安(A評価) | 標準的な到達レベルの目安(B評価) | 未到達レベルの目安(C評価) | 未到達レベルの目安(D評価) |
評価項目1 | 自らの研究分野を説明し,
人に理解させることができる. | 自らの研究分野を説明することができる. | 自らの研究分野を最低限説明することができる. | 自らの研究分野を説明することができない |
評価項目2 | 自らの研究において,これから積極的にコンピュータを活用するアイディアを紹介し,人に理解させることができる. | 自らの研究において,これから積極的にコンピュータを活用するアイディアを紹介できる. | 自らの研究において,これから積極的にコンピュータを活用するアイディアを最低限紹介できる. | 自らの研究において,これから積極的にコンピュータを活用するアイディアを照会できない. |
評価項目3 | CNNの要素技術について深く理解できる. | CNNの要素技術について理解できる. | CNNの要素技術について概ね理解できる. | CNNの要素技術について理解できない. |
評価項目4 | Tensorflow Kerasを構成するFrameworkを理解し,実装ができる. | Tensorflow Kerasを構成するFrameworkについて理解できる. | Tensorflow Kerasを構成するFrameworkについて概ね理解できる. | Tensorflow Kerasを構成するFrameworkについて理解・実装ができない. |
学科の到達目標項目との関係
教育方法等
概要:
(1) 各人の研究分野においてもコンピュータをより積極的に活用できる知識と経験を養うことを目標とし,コンピュータをツールとして活用するための実践的な内容の講義と,プレゼンテーション,討論を行う.
(2) ディープラーニングの活用分野の中でCNN基盤のコンピュータビジョンの領域は一番急激に成長している.ディープラーニングとCNN技術要素の理論と実習からCNN画像分類モデルを構築するためのさまざまな実装技術やモデルの性能を最適化する方法を取得する.学習方法としては,実践コードを中心に実際のデータを使用し,理解度を高める方法で進める.
授業の進め方・方法:
前半は学生からのプレゼンテーション・討論を行う.後半は講義と実習を行う.
注意点:
(1) 2回のプレゼンテーションを行うが,その際は自らの研究分野,研究テーマを全く分野の違う人達にもいかにわかり易く伝えるかという点に注意して発表を行って欲しい.普段はある程度同じ研究分野の話がわかる人達を前に発表することが多いと思われるが,全く分野が異なり,その分野の基礎知識のない人達へのプレゼンテーションにはこれまでとは違った留意点がある.なお,プレゼンテーションの評価は,学生間での相互評価を行う.
(2) Pythonの基本的な理解ができること.後半からはノートパソコンを持参すること.
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 |
ガイダンス |
授業の目的,概要を理解する.
|
2週 |
プレゼンテーション1 |
自らの研究分野を説明し,人に理解させる.
|
3週 |
プレゼンテーション1 |
自らの研究分野を説明し,人に理解させる.
|
4週 |
プレゼンテーション1 |
自らの研究分野を説明し,人に理解させる.
|
5週 |
プレゼンテーション1 |
自らの研究分野を説明し,人に理解させる.
|
6週 |
プレゼンテーション2 |
自らの研究において,これから積極的にコンピュータを活用するアイディアを照会し,人に理解させる.
|
7週 |
プレゼンテーション2 |
自らの研究において,これから積極的にコンピュータを活用するアイディアを照会し,人に理解させる.
|
8週 |
プレゼンテーション2 |
自らの研究において,これから積極的にコンピュータを活用するアイディアを照会し,人に理解させる.
|
2ndQ |
9週 |
ディープラーニングの概要 |
ディープラーニングの基盤となる基本概念が理解できる.
|
10週 |
ディープラーニングのモデル設計,Pima indianデータセットを利用してCNNモデル実習 |
ディープラーニングの実習と実データへの実習ができる.
|
11週 |
Iris,sonar,wineデータセットを利用してCNNモデル実習 |
実データへの理解と実習ができる.
|
12週 |
House, MNISTデータセットを利用してCNNモデル実習 |
実データへの理解と実習ができる.
|
13週 |
敵対的生成ネットワークの理解と実習 |
敵対的生成ネットワークの理解と実習ができる.
|
14週 |
Lugs in CT Dataを利用してCNNモデル実習 |
Lugs in CT Dataを利用してCNNモデルの理解と実習ができる.
|
15週 |
Augmentation,Transfer learningの理解と実習 |
Augmentation,Transfer learningの理解と実習ができる.
|
16週 |
|
|
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
| 発表 | 資料・レポート | 相互評価 | 合計 |
総合評価割合 | 20 | 60 | 20 | 100 |
基礎的能力 | 10 | 10 | 10 | 30 |
専門的能力 | 10 | 50 | 10 | 70 |