到達目標
以下の各要素について内容を講義中に理解した上で、授業中に提示する演習問題を解くことによって基本的な知識と論理的な発想を身につける。
さらに授業以外の自己学習として課す課題によって、各要素技術の理解を深める。
1）探索の手法とその性質
2）学習の手法とその性質
3）認識の手法とその性質
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 |
| 評価項目1 | 探索の手法とその性質について十分に理解できる。 | 探索の手法とその性質について理解できる。 | 探索の手法とその性質について理解できない。 |
| 評価項目2 | 学習の手法とその性質について十分に理解できる。 | 学習の手法とその性質について理解できる。 | 学習の手法とその性質について理解できない。 |
| 評価項目3 | 認識の手法とその性質について充分に理解できる。 | 認識の手法とその性質について理解できる。 | 認識の手法とその性質について理解できない。 |
学科の到達目標項目との関係
学習・教育目標 (D)
説明
閉じる
学習・教育目標 (H)
説明
閉じる
教育方法等
概要:
本科目では、進展著しい人工知能の工学的要素の本質を理解し、今後とも充分活用されるテーマについて理解することを目的とする。人工知能と呼ばれる分野の中でも特に自然言語処理とそれを支える機械学習の技術に焦点を当て、基礎技術の習得を目的とする。また、応用技術としての感情解析などについて解説する。
授業の進め方・方法:
テキストの内容に沿って講義を行う。適宜レポートを課し、内容の理解度とその実装技術について評価する。適宜小グループでのディスカッションを行い、相互理解を深める。
注意点:
4年次開講の「離散数学」「確率・統計」を充分に理解しておくことが望ましい。本科目は、授業で保証する学習時間と、予習・復習及び課題レポート作成に必要な標準的な自己学習時間の総計が、90時間に相当する学習内容である。PythonやRubyといったスクリプト系言語を使用した経験があるとより良い。
合格の対象としない欠席条件(割合) 1/3以上の欠課
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 後期 |
| 3rdQ |
| 1週 |
人工知能概論 |
知識表現や推論、機械学習といった人工知能分野を支える基礎的な技術について学び、人工知能分野について簡単に説明できる。レポート有り。
|
| 2週 |
知識表現 |
分布仮説に基づく語の表現や、語の分散表現について理解し、フリーウェアを利用して語のベクトルを構築できる。レポート有り。
|
| 3週 |
語の数式的な表現方法 |
文字Ngram，単語Ngramなど、語の数式的な表現方法について学ぶ。また、概念ベースとしての言表現法を理解し、語と語の関連の強さを定量化できる。レポート有り。
|
| 4週 |
最適化問題とその解法 |
凸計画問題やラグランジュ乗数法について学び、数式をプログラミングすることができる。レポート有り。
|
| 5週 |
確率論、パラメータ推定法 |
機械学習の基本となる確率論や確率分布とそのパラメータ推定法について理解し数式を導出できる。レポート有り。
|
| 6週 |
凝集型クラスタリング |
クラスタリングの基礎理論について学び、3種類の凝集型クラスタリング手法を実装できる。レポート有り。
|
| 7週 |
K-means法、混合正規分布によるクラスタリング |
予め決められた数のクラスタに分割する手法としてK-means法と混合正規分布によるクラスタリングを理解し実装できる。レポート有り。
|
| 8週 |
レポート作成(中間試験は実施しない) |
K-means法、混合正規分布によるクラスタリングの実装
|
| 4thQ |
| 9週 |
EMアルゴリズム |
汎用的なクラスタリングの考え方としてEMアルゴリズムを学び、対象問題におけるEステップ、Mステップの導出ができる。レポート有り。
|
| 10週 |
ナイーブベイズ分類器 |
言語処理におけるナイーブベイズ分類器とディリクレ分布の関係について理解し実装できる。レポート有り。
|
| 11週 |
サポートベクトルマシン |
サポートベクトルマシンの基本的な考え方について学び、ソルバを利用した簡単なプログラムを作成できる。レポート有り。
|
| 12週 |
対数線形モデル、系列ラベリング |
対数線形モデルの式展開を理解する。また、複数の分類器を組み合わせた系列ラベリングについて理解し、フリーウェアによるプログラムを実装できる。レポート有り。
|
| 13週 |
ニューラルネットワーク |
ニューラルネットワークの基本的な考え方について学び、誤差逆伝搬によるAND回路、OR回路などの学習ができる。レポート有り。
|
| 14週 |
Deep Learning |
ChainerやTensorFlowなどのフレームワークを利用した深層学習を実装できる。レポート有り。
|
| 15週 |
応用技術 |
機械学習技術などの応用として、感情推定などのシステムを紹介し、どのようにシステムが感情を抽出するかを理解する。レポート有り。
|
| 16週 |
期末試験実施せず
|
|
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
| レポート | 発表 | 相互評価 | 態度 | ポートフォリオ | その他 | 合計 |
| 総合評価割合 | 100 | 0 | 0 | 0 | 0 | 0 | 100 |
| 基礎的能力 | 30 | 0 | 0 | 0 | 0 | 0 | 30 |
| 専門的能力 | 70 | 0 | 0 | 0 | 0 | 0 | 70 |
| 分野横断的能力 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |