人工知能

科目基礎情報

学校	沼津工業高等専門学校	開講年度	令和06年度 (2024年度)
授業科目	人工知能
科目番号	2024-268	科目区分	専門 / 選択
授業形態	授業	単位の種別と単位数	学修単位: 2
開設学科	電子制御工学科	対象学年	5
開設期	前期	週時間数	2
教科書/教材	自作の講義ノート
担当教員	鄭 萬溶

到達目標

１．人工知能の仕組みと歴史、最新動向について理解し、AI技術の発展が産業や社会に及ぼす影響を理解する。
２．機械学習の種類、アルゴリズム、活用方法について理解し、Pythonによる実装ができる。
３．ディープニューラルネットワークの仕組み、学習方法、関連数学、アルゴリズムについて理解し、Pythonによる実装ができる。
４．CNN、RNN、LSTM、GANなどの深層学習モデルの仕組みや特徴を理解し、Pythonによる実装ができる。
５．自然言語処理の基礎とLLM(Large Language Model)の現状について理解し、その活用ができる。

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
人工知能の仕組みと歴史、最新動向について理解し、AI技術の発展が産業や社会に及ぼす影響を理解する。	人工知能の仕組みと歴史、最新動向について理解し、AI技術の発展が産業や社会に及ぼす影響を理解する。	人工知能の仕組みと歴史、最新動向について理解する。	人工知能の仕組みと歴史、最新動向について理解が十分ではない。
機械学習の種類、アルゴリズム、活用方法について理解し、Pythonによる実装ができる。	機械学習の種類、アルゴリズム、活用方法について理解し、Pythonによる実装ができる。	機械学習の種類、アルゴリズム、活用方法について理解できる。	機械学習の種類、アルゴリズムについての理解が十分ではない。
ディープニューラルネットワークの仕組み、学習方法、関連数学、アルゴリズムについて理解し、Pythonによる実装ができる。	ディープニューラルネットワークの仕組み、学習方法、関連数学、アルゴリズムについて理解し、Pythonによる実装ができる。	ディープニューラルネットワークの仕組み、学習方法、関連数学、アルゴリズムについて理解できる。	ディープニューラルネットワークの仕組み、学習方法、関連数学、アルゴリズムについての理解が十分ではない。
CNN、RNN、LSTM、GANなどの深層学習モデルの仕組みや特徴を理解し、Pythonによる実装ができる。	CNN、RNN、LSTM、GANなどの深層学習モデルの仕組みや特徴を理解し、Pythonによる実装ができる。	CNN、RNN、LSTM、GANなどの深層学習モデルの仕組みや特徴について理解できる。	CNN、RNN、LSTM、GANなどの深層学習モデルの仕組みや特徴についての理解が十分ではない。
自然言語処理の基礎とLLM(Large Language Model)の現状について理解し、その活用ができる。	自然言語処理の基礎とLLM(Large Language Model)の現状について理解し、その活用ができる。	自然言語処理の基礎とLLM(Large Language Model)の現状について理解できる。	自然言語処理の基礎とLLM(Large Language Model)の現状についての理解が十分ではない。

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）】 ３ （工学技術の専門的知識を創造的に活用する能力）

教育方法等

概要:

人の顔や指紋などの物体認識・認知技術、組合せ最適化問題解法の技術は、多くの情報処理機器や近年着目されているブレイン‐マシンインターフェイス、ビックデータの解析などに適用されており、社会的ニーズの高い分野となってきている。本授業では、ニューラルネットワーク手法とディープラーニング、統計物理的手法、情報理論的手法による、認知・認識問題への工学的アプローチについて講義し、発展の歴史および最新動向についても講義する。また、Pythonによるモデルの学習、評価などを通して、ディープラーニングの仕組みと特徴について理解できるようにし、社会課題への実装力と応用力を養う。

授業の進め方・方法:

まずは、講義を通じて、AIの歴史や重要な機械学習のアルゴリズム、関連数学、学習の仕組みなどについて学習し、線形回帰、手書き数字認識、CNN、GAN、Autoencoder、VAEのモデルについて演習を実施する。開発環境は基本的にGoogle Colaboratoryを使用し、データセットはネット上に公開されているものを利用する。最新のAIモデルについての学習はChatGPT、Hugging Faceなどによる最新モデルについても体験してもらう予定である。

注意点:

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	人工知能の歴史と重要性について理解できる。
		2週	機械学習	機械学習の種類と発展について理解でき、各時代における課題について理解できる。
		3週	AutoML（自動機械学習）	AutoMLを含む機械学習プラットフォームについて理解し、効率よい活用の仕方について理解できる。
		4週	AutoMLの演習	PyCaretによる演習を通してAutoMLのプラットフォームの活用方法と使い方について理解し、実装できる。
		5週	機械学習に必要な数学	機械学習に必要な数学について解説し、学習時の計算の仕組みについて理解できる。
		6週	パーセプトロンと誤差逆伝播法	ディープニューラルネットワークの仕組みと学習方法である、誤差逆伝播法について理解できる。
		7週	パーセプトロンベースのディープニューラルネットワークの演習	「A Deep Neural Network」を用いて、学習率、ハイパーパラメータのチューニング、ネットワークの設計における考え方などについて理解できる。
		8週	ディープニューラルネットワークモデルの実装	MNISTを用いて、手書き数字認識のニューラルネットワークを学習し、モデルの性能について評価できる。
	2ndQ
		9週	AutoencoderとVAEの仕組みと異常検知への応用	AutoencoderとVAEの仕組みを理解し、異常検知への応用のためのモデル作成と活用について理解できる。
		10週	AutoencoderとVAEの仕組みと異常検知への応用（演習）	AutoencoderとVAEによる異常検知モデルを実装し、その性能を評価する。
		11週	CNN（畳み込みニューラルネットワーク）	CNNの仕組みについて理解し、モデルの発展について説明できる。
		12週	CNN（畳み込みニューラルネットワーク）	CNNの仕組みについて理解し、モデルを実装できる。
		13週	RNN、LSTM、自然言語処理の基礎	RNN、LSTM、自然言語処理の基礎について理解し、その発展過程を説明できる。
		14週	生成モデル	生成モデルの種類や活用方法について説明できる。
		15週	まとめ	これまで学んだ知識をベースに今後の展開について予測し、説明できる。
		16週

評価割合

	試験	課題	相互評価	態度	ポートフォリオ	その他	合計
総合評価割合	60	40	0	0	0	0	100
基礎的能力	40	30	0	0	0	0	70
専門的能力	20	10	0	0	0	0	30
分野横断的能力	0	0	0	0	0	0	0