到達目標
1. ニューラルネットワーク、最適化手法などの手法を理解する。
2. ニューラルネットワーク、最適化手法を用いて問題解決を行うことができること。
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 | ニューラルネットワーク、最適化手法などの手法をよく理解している。 | ニューラルネットワーク、 最適化手法などの手法を理解している。 | ニューラルネットワーク、最適化手法などの手法を理解していない。 |
| 評価項目2 | ニューラルネットワーク、 最適化手法を用いて問題解決を行うことが自在にできる。 | ニューラルネットワーク、最適化手法を用いて問題解決を行うことができる。 | ニューラルネットワーク、最適化手法を用いて問題解決を行うことができない。 |
学科の到達目標項目との関係
教育方法等
概要:
生物や物理現象に観察される最適化プロセスをコンピュータで実現したナチュラルコンピューティングについて学習する。従来の最適化手法から始まり、さまざなま最適化手法について、実践的な演習を行いながら修得する。
授業の進め方・方法:
【事前学習】演習でプログラム製作を行うので、プログラミングや数値計算に関連した科目、情報理論やアルゴリズムに関する知識の予習が必要です。
【自己学習】事前と宿題や事後の演習を課します。演習については、演習室だけでなく、特別研究でのPCや自分のPCで実施してもかまいません。
【関連科目】生物の振る舞いをもとにしたコンピュータでのシミュレーションを扱うことから、生体情報工学と関連が深いです。また、応用にはソフトコンピューティングやシステム工学で学ぶ分野にも広がっていることから、これらの科目との関連も深いです。
注意点:
この科目は専攻科講義科目（2単位）であり、総学修時間は90時間である。（内訳は授業時間30時間、自学自習時間60時間である。）単位認定には60時間に相当する自学自習が必須であり、この自学自習時間には、担当教員からの自学自習用課題、授業のための予習復習時間、理解を深めるための演習課題の考察時間、および試験準備のための学習時間を含むものとする。
本科目の区分
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 |
情報システムの発展とニューラルネットワークの基礎 |
1.
|
| 2週 |
階層型ニューラルネットワークと誤差逆伝搬法による学習 |
1.
|
| 3週 |
階層型ニューラルネットワークの演習 |
2.
|
| 4週 |
畳み込みニューラルネットワーク |
1.
|
| 5週 |
畳み込みニューラルネットワークの演習 |
2.
|
| 6週 |
ナチュラルコンピューティングと最適化問題 |
1. 2.
|
| 7週 |
相互結合型ニューラルネットワーク |
1.
|
| 8週 |
相互結合型ニューラルネットワークの演習 |
2.
|
| 2ndQ |
| 9週 |
ボルツマンマシン |
1.
|
| 10週 |
ボルツマンマシンの演習 |
2.
|
| 11週 |
ニューラルネットワークの応用 |
2.
|
| 12週 |
遺伝的アルゴリズム |
1. 2.
|
| 13週 |
粒子群最適化法 |
1. 2.
|
| 14週 |
アントコロニー最適化法 |
1. 2.
|
| 15週 |
期末試験 |
1.2.
|
| 16週 |
試験返却・解説・復習 |
1.2.
|
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 | 演習 | 合計 |
| 総合評価割合 | 70 | 30 | 100 |
| 基礎的能力 | 0 | 0 | 0 |
| 専門的能力 | 70 | 30 | 100 |
| 分野横断的能力 | 0 | 0 | 0 |