到達目標
1.最低限のAIリテラシを身につけること。
2.人工知能技術の基礎と応用分野についての知識を修得すること。
ルーブリック
| 理想的な到達レベルの目安(優) | 標準的な到達レベルの目安(良) | 未到達レベルの目安(不可) |
機械学習のアルゴリズムと関連数学を理解できる | 人工知能に関する設問を数式で表現することができる。さらに解を求める手法やアルゴリズムを記述することができる。 | 人工知能に関する数学的な基礎知識を理解できる。 | 人工知能に関する数学的な基礎知識を理解できない。 |
人工知能の社会実装分野の基礎知識の習得 | 人工知能の技術が、社会の中でどのように適用されているかを記述することができる。さらに、応用分野について記述することができる。 | 人工知能の技術が、社会の中でどのように適用されているかを記述することができる。 | 人工知能の技術が、社会の中でどのように適用されているかを記述することができない。 |
人工知能の具体的な技術の習得 | ニューラルネットワークの手法、情報理論の手法を、設定問題に適用することができる。さらに、正確に数値計算ができる。 | ニューラルネットワークの手法、情報理論の手法を、設定問題に適用することができる。 | ニューラルネットワークの手法、情報理論の手法を、設定問題に適用することができない。 |
学科の到達目標項目との関係
【本校学習・教育目標(本科のみ)】 2
説明
閉じる
教育方法等
概要:
人の顔や自動車などの物体認識や行動推定などの技術は、自動運転、異常検知、セキュリティ強化などに利用され始めており、社会的ニーズの高い分野となってきている。また、自然言語処理や強化学習によるロボット制御などにおける技術進化も目覚ましい。本授業では、機械学習、ニューラルネットワークによるディープラーニング、強化学習による行動制御、自然言語処理による業務自動化などAIの全領域に対してその基本的な考え方と主に使われている手法について講義する。また、学習の仕組みや学習モデルの生成についてPythonによるプログラムについても解説し、実践力向上にも努める。
授業の進め方・方法:
前半は、人工知能の歴史と現在について講義し、その可能性と未来へ向けての取り組み状況、社会への影響について解説する。また、教師あり学習である階層型神経ネットワーク(パーセプトロン、バックプロパゲーション法)、教師なし学習である自己組織化についての講義を行う。後半は、近年着目されているディープラーニング、CNN、RNN、LSTM、GANなどについて解説する。後半は、情報理論的手法による予測問題、通信路における画像修復の問題について講義する。また、数学的なバックグラウンドとネットワークアーキテクチャ、現在のブレークスルーに貢献した技術的な進化について紹介する。
注意点:
評価については、評価割合に従って行います。ただし、適宜再試や追加課題を課し、加点することがあります。
中間試験を授業時間内に実施することがあります。
この科目は学修単位科目であり、1単位あたり15(30)時間の対面授業を実施します。併せて1単位あたり30(15)時間の事前学習・事後学習が必要となります。
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 |
人工知能とは |
人工知能の概要、人工知能が利用されている分野を理解する。
|
2週 |
人工知能の歴史 |
人工知能の歴史を理解し、どのように発展してきて現在何ができるようになったかを理解する。
|
3週 |
機械学習 |
機械学習の概要を理解し、主なアルゴリズムを理解する。
|
4週 |
知識表現と推論 |
知識表現とエキスパートシステムを理解する。
|
5週 |
AIのための数学 |
AIで使用する数学(尤度、ベイズ推定、偏微分、線形代数など)の利用の仕方について理解する。
|
6週 |
階層型ニューラルネットワーク |
人口ニューロンと階層型ニューラルネットワークを理解する。
|
7週 |
階層型ニューラルネットワーク |
MNIST(手書き数字認識)モデルによる学習を実施し、その結果について評価できる。
|
8週 |
畳み込みニューラルネットワーク |
AlexNet、GoogLeNet、VGG、ResNetなどを理解する。
|
2ndQ |
9週 |
畳み込みニューラルネットワーク |
畳み込みニューラルネットワークを用いてMNIST学習モデルを作成する
|
10週 |
RNN、LSTM、敵対的生成ネットワーク(GAN) |
RNN、LSTM、敵対的生成ネットワーク(GAN)の動作原理と利用法について理解する。
|
11週 |
自然言語処理 |
形態素解析、構文解析を理解できる。
|
12週 |
自然言語処理 |
自然言語処理とword2vecを理解する。
|
13週 |
強化学習 |
強化学習の基本的概念、すなわち、環境、エージェント、報酬、価値関数について理解する。
|
14週 |
DQN |
DQNの概要について理解する。
|
15週 |
まとめ |
人工知能に関するリテラシを身につけることが今後エンジニアとして仕事をしていく上で極めて重要であることを認識する。
|
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
| 試験 | 合計 |
総合評価割合 | 80 | 80 |
基礎的能力 | 0 | 0 |
専門的能力 | 80 | 80 |
分野横断的能力 | 0 | 0 |