到達目標
生体は高度な情報処理能力を持ち、様々な感覚器により得られた入力信号を巧妙に処理し,認識・判断を行って状況に応じた運動を実現しています。本講義では,生体のような知的情報処理の実現を目指して発達してきた強化学習やニューラルネットワークモデル,遺伝的アルゴリズムなどの機械学習の手法や,生体のような柔軟な動作の実現を目指すロボット工学関連のトピックを紹介します。また,関連する数理モデルをいくつかの工学的課題に応用する方法を,小テストや自宅学習課題を通して学びます。以上により,生体の学習能力に関連する数理モデルを工学的課題に実際に応用できるようになることを到達目標とします。
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 | 生物の情報処理メカニズムを理解するとともに、その数理モデルの意味を説明することができる。さらに数理モデルを工学的課題に適用し,目的に応じて改善することができる。 | 生物の情報処理メカニズムを理解するとともに、その数理モデルの意味を説明することができる。さらに数理モデルを工学的課題に適用することができる。 | 生物の情報処理メカニズムや、その数理モデルの理解が不十分である。また,数理モデルを工学的課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
到達目標 A 1
説明
閉じる
JABEE d-1
説明
閉じる
教育方法等
概要:
人間やその他の生物の脳・生体機能を解明し、それを工学的分野に応用することは現在の科学技術にとって大きな課題の一つである。また、脳における情報処理メカニズムの解明は、より柔軟な処理能力をもつコンピュータや人にやさしい装置を設計する上でも重要である。講義では、人間の生体情報・脳情報処理機能の概要とそれらを応用した工学的情報処理モデルについて、適宜演習も取り入れながら解説する。
授業の進め方・方法:
<講義の方針>主に講義形式とするが,理解を深めるために、適宜演習を行う。演習については、小テストおよび機械学習のプログラム作成を行う。
<自学・自習の方針>この科目は学修単位科目のため、講義内容を予習・復習し、理解を深める必要がある。予習・復習・毎回のレポート作成の時間の目安は2時間程度である(合計30時間)。
注意点:
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 |
オリエンテーション,生体情報論の歴史 【事前事後学習の内容(2時間)】自習のための計算機環境整備 |
オリエンテーション 生体情報論の研究の歴史 脳型情報処理研究の歴史 について理解する。
|
2週 |
Pythonの基本文法 【事前事後学習の内容(2時間)】復習・演習課題 |
Pythonの基本的な文法を理解する
|
3週 |
強化学習その1 【事前事後学習の内容(2時間)】復習・演習課題 |
機械学習の種類について理解する 山登り法および強化学習の概念を理解する
|
4週 |
Pythonによるグラフ作成 【事前事後学習の内容(2時間)】復習・演習課題 |
Pythonによるグラフ作成方法の基本および配列について理解する 演習課題の説明
|
5週 |
強化学習その2 【事前事後学習の内容(2時間)】復習・演習課題 |
強化学習の基本用語 greedy法, ε-greedy法, softmax法 について理解する。 Q-learning
|
6週 |
Pythonによる数値計算 【事前事後学習の内容(2時間)】復習・演習課題 |
PythonのNumPyモジュールについて理解する 演習課題の説明
|
7週 |
強化学習その3 【事前事後学習の内容(2時間)】復習・演習課題 |
Q-learning, SARSA学習法 について理解する。
|
8週 |
強化学習その4 【事前事後学習の内容(2時間)】復習・演習課題 |
Actor-Critic法 について理解する。
|
2ndQ |
9週 |
Pythonによるクラス定義 【事前事後学習の内容(2時間)】復習・演習課題 |
Pythonのクラスの概念と定義方法について理解する 演習課題の説明
|
10週 |
神経回路網モデルその1 【事前事後学習の内容(2時間)】復習・演習課題 |
形式ニューロン パーセプトロン について理解する。
|
11週 |
神経回路網モデルその2 【事前事後学習の内容(2時間)】復習・演習課題 |
確率的勾配降下法を理解する。
|
12週 |
Pythonによるいろいろなグラフ作成方法 【事前事後学習の内容(2時間)】復習・演習課題 |
Pythonで様々なグラフを作る方法を理解する 演習課題の説明
|
13週 |
神経回路網モデルその3 【事前事後学習の内容(2時間)】復習・演習課題 |
ニューラルネットワークの誤差逆伝播学習法を理解する。
|
14週 |
神経回路網モデルその4 【事前事後学習の内容(2時間)】復習・演習課題 |
ディープラーニングの基本的な構造と仕組みについて理解する。
|
15週 |
いろいろな学習方法 【事前事後学習の内容(2時間)】復習・演習課題 |
その他の学習方法 遺伝的アルゴリズムの計算方法を理解する。
|
16週 |
レポートの書き方 【事前事後学習の内容(2時間)】演習課題 |
演習課題(レポート)の書き方について理解する
|
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
| 小テスト | 課題 | レポート | 合計 |
総合評価割合 | 25 | 25 | 50 | 100 |
基礎的能力 | 25 | 25 | 50 | 100 |
実践的能力 | 0 | 0 | 0 | 0 |