到達目標
1.パターンを認識するための特徴空間を理解し,判別関数を用いた線形分類システムの判別方法を説明でき,判別関数を求めることができる。
2.基本ニューロンの出力式を正確に記述することでき,単層パーセプトロンの動作原理およびそれを用いたパターン認識ついて説明することができる。
3.多層パーセプトロンの構造を説明でき,その学習法である誤差逆伝搬学習法を理解し,式の導出ができる。また,分類器としての多層パーセプトロンについて理解し,XOR問題を識別する原理について説明できる。
4. コホーネン自己組織化ネットワークの構造,位相保持マッピング,教師なし学習について説明することができる。
5. ホップフィールドネットワークの構造について,その特徴を3つ以上説明することができる。また,連想記憶において,エネルギー曲線のどの場所に記憶されているか説明することができ,ホップフィールドネットワークの動作について直感的な説明ができる。
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 |
評価項目1 | パターンを認識するための特徴空間を理解し,判別関数を用いた線形分類システムの判別方法を説明でき,判別関数を求めることができる。 | パターンを認識するための特徴空間を理解し,判別関数を用いた線形分類システムの判別方法を説明できる。 | パターンを認識するための特徴空間を理解し,判別関数を用いた線形分類システムの判別方法を説明できない。 |
評価項目2 | 基本ニューロンの出力式を正確に記述することでき,単層パーセプトロンの動作原理およびそれを用いたパターン認識ついて説明することができる。 | 基本ニューロンの出力式を正確に記述することでき,単層パーセプトロンの動作原理を説明することができる。 | 基本ニューロンの出力式を正確に記述することでき,単層パーセプトロンの動作原理を説明することができない。 |
評価項目3 | 多層パーセプトロンの構造を説明でき,その学習法である誤差逆伝搬学習法を理解し,式の導出ができる。また,分類器としての多層パーセプトロンについて理解し,XOR問題を識別する原理について説明できる。 | 多層パーセプトロンの構造を説明でき,その学習法である誤差逆伝搬学習法を理解し,式の導出ができる。 | 多層パーセプトロンの構造を説明でき,その学習法である誤差逆伝搬学習法を理解し,式の導出ができない。 |
評価項目4 | | コホーネン自己組織化ネットワークの構造,位相保持マッピング,教師なし学習について説明することができる。 | 自己組織化ネットワークの構造,位相保持マッピング,教師なし学習について説明することができない。 |
評価項目5 | | ホップフィールドネットワークの構造について,その特徴を3つ以上説明することができる。また,連想記憶において,エネルギー曲線のどの場所に記憶されているか説明することができ,ホップフィールドネットワークの動作について直感的な説明ができる。 | ホップフィールドネットワークの構造について,その特徴を3つ以上説明することができる。また,連想記憶において,エネルギー曲線のどの場所に記憶されているか説明することができ,ホップフィールドネットワークの動作について直感的な説明ができない。 |
学科の到達目標項目との関係
学習・教育到達目標 3-3
説明
閉じる
JABEE(2012)基準 1(2)(c)
説明
閉じる
JABEE(2012)基準 1(2)(d)
説明
閉じる
JABEE(2012)基準 2.1(1)②
説明
閉じる
教育プログラムの科目分類 (2)②
説明
閉じる
教育プログラムの科目分類 (3)②
説明
閉じる
教育方法等
概要:
本科目では,脳の情報処理を工学的に模倣した人工ニューラルネットワーク(Artificial Neural Networks)の学習に関しての基礎的な知識を習得することを目標とする。また,C言語によりニューラルネットワークの情報処理(学習)をシミュレーションする。
授業の進め方・方法:
各受講生に対して,講義資料の中から,担当個所を指定して,学生の学習内容発表を中心とした輪講形式で実施する。
受講生の自学自習の確認のために小テストを実施する。
自学自習の確認の為に小テストを毎回実施する予定である。
注意点:
偏微分を理解しておく。MS Power Pointを使えることが必要。また,ウィンドウズXP以上のOSの動くラップトップパソコンが必要。講義は学生の発表形式をとるので,担当者はしっかりと予習をすることが大事である。
〔授業(90分)+自学自習(240分)〕×15回 毎回,自学自習240分が必要である。
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 |
後期 |
3rdQ |
1週 |
人とコンピュータ
|
人とコンピュータの情報処理を説明できる。
|
2週 |
パターン認識の概要と定義,特徴ベクトルと特徴空間
|
パターン認識の概要と方法を説明できる。特徴ベクトルと特徴空間を説明できる。
|
3週 |
判別関数,線形判別 |
判別関数,線形判別を説明できる。
|
4週 |
ニューロンの工学的モデル
|
ニューロンの工学的モデルを描くことができる。
|
5週 |
パーセプトロン |
ニューロンを用いたパターン識別について説明できる。
|
6週 |
パーセプトロンの限界 |
パーセプトロンの限界についてその概略を説明できる。
|
7週 |
3層パーセプトロンモデル |
多層パーセプトロンの構造を説明できる。
|
8週 |
誤差逆伝搬法
|
誤差逆伝搬学習法を理解し,式の導出ができる。
|
4thQ |
9週 |
分類器としての多層パーセプトロン
|
分類器としての多層パーセプトロンを理解し,XOR問題に使用できる。
|
10週 |
C言語を用いたバックプロパゲーションプログラムの作成 |
整数型,実数型,配列,関数,引数を使って,バックプロパゲーションのプログラムが作成できる。
|
11週 |
自己組織化ネットワーク,コホーネンのアルゴリズム
|
自己組織化ネットワーク(SOM)について説明できる。
|
12週 |
自己組織化ネットワーク,コホーネンのアルゴリズム
|
SOMの学習アルゴリズムを説明できる。
|
13週 |
連想記憶,ホップフィールドネットワーク
|
ホップフィールドネットワークの特徴を説明できる。
|
14週 |
ホップフィールドネットワークのエネルギー曲面
|
エネルギー曲面と連想記憶についての関係を説明できる。
|
15週 |
期末試験 |
授業項目の達成度を確認する。
|
16週 |
なし |
なし
|
評価割合
| 試験 | 発表・相互評価 | 小テスト・レポート | 合計 |
総合評価割合 | 40 | 30 | 30 | 100 |
基礎的能力 | 0 | 0 | 0 | 0 |
専門的能力 | 40 | 30 | 30 | 100 |
分野横断的能力 | 0 | 0 | 0 | 0 |