到達目標
1.人工知能における歴史を学び、様々なキーワードを理解することができる。
2.探索手法(網羅的探索,発見的探索,ゲーム木探索など)を使って探索問題を解くことができる。
3.論理と推論方法、人工知能の分野における知能ロボットの仕組みなど理解することができる。
4.機械学習手法(決定木,K近傍法,K平均法,ニューラルネットワーク,ベイズ法など)を使って,機械学習の問題を解くことができる。
5.強化学習、遺伝的アルゴリズムなどにおいて、計算方法を理解することができる。
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 |
到達目標
項目2、3、4 | 探索手法や機械学習における各手法を用いて問題を正確に解くことができる。 | 探索手法や機械学習における各手法を用いて問題を部分的に解くことができる。 | 理解度が不足しており,授業で学んだ手法を用いて解くことができない。 |
到達目標
項目5 | 強化学習、遺伝的アルゴリズムなどにおいて、全体的に計算方法を理解することができる。 | 強化学習、遺伝的アルゴリズムなどにおいて、全体的に計算方法を部分的に理解することができる。 | 理解度が不足しており,授業で学んだ手法を理解できない。 |
到達目標
項目1 | 授業で習った範囲の人工知能の歴史をほとんど理解することができる。 | 授業で習った範囲の人工知能の歴史を部分的に理解することができる。 | 人工知能の分野の歴史をほとんど理解できない。 |
学科の到達目標項目との関係
本科学習目標 1
説明
閉じる
本科学習目標 2
説明
閉じる
創造工学プログラム B1専門(電気電子工学&情報工学)
説明
閉じる
教育方法等
概要:
近年、人工知能技術に対する関心は高まりつつあり、様々な分野に応用されている。本授業では、人工知能における様々なキーワードの解説を行い、様々な練習問題を解くことで技術を習得できるように授業を進める。
この科目は企業でシステムエンジニアとして勤務していた教員が、その経験を活かし、人工知能の技術等について講義形式で授業を行うものである。
授業の進め方・方法:
【事前事後学習など】講義内容を理解し次回の講義に備えるために,講義の後毎回,時間外学習時間に講義内容を復習しておくこと。
【関連科目】確率・統計,アルゴリズムとデータ構造,コンパイラ,システム数理工学
注意点:
【評価方法・評価基準】成績の評価基準として60点以上を合格とする。
定期試験100%:中間試験(50%),期末試験(50%)。
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
後期 |
3rdQ |
1週 |
人工知能の概要と歴史 |
人工知能の概要と歴史を理解できる。
|
2週 |
機械学習(1) K近傍法,K平均法 |
K近傍法,K平均法を用いて計算できる
|
3週 |
機械学習(2) ニューラルネットワーク |
ニューラルネットワークの仕組みを理解できる。
|
4週 |
機械学習(3) ディープラーニング, 性能評価方法 |
ディープラーニングの仕組みを理解できる。性能評価方法が理解できる
|
5週 |
機械学習(4) 決定木 |
決定木を用いた学習方法を計算することができる。
|
6週 |
強化学習 |
強化学習の概念を理解できる。
|
7週 |
遺伝的アルゴリズム |
遺伝的アルゴリズムの処理の流れが理解できる。
|
8週 |
人工知能制作演習 |
スマートスピーカーなどを使って,人工知能の要素技術を制作することができる。
|
4thQ |
9週 |
発見的探索法 |
発見的探索法(最適探索,最良優先探索,A*)を使って経路探索問題を解くことができる。
|
10週 |
ゲーム木探索 |
ミニマックス探索とαβ法を用いてゲーム木の問題を解くことができる。
|
11週 |
論理と推論 |
命題論理・述語論理・ファジィ論理などを用いた様々な推論手法について理解できる
|
12週 |
確率推論・ナイーブベイズ |
ベイズの法則を使って,様々な問題を解くことができる。
|
13週 |
知能ロボット |
サブサンプションアーキテクチャや群知能などロボットへの人工知能の手法について理解できる
|
14週 |
人工知能の最近の話題 |
人工知能の最近の研究を理解できる
|
15週 |
復習 |
|
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
| 試験 | 合計 |
総合評価割合 | 100 | 100 |
基礎的能力 | 0 | 0 |
専門的能力 | 100 | 100 |
分野横断的能力 | 0 | 0 |