人工知能技術の発展は目まぐるしく、その応用先は多岐に渡る。特に、深層学習はここ数年で活発な研究が行われ、その成果は画像処理、自然言語処理、ロボティクスなど様々な分野で応用さている。本授業では、人工知能および機械学習の基礎について述べ、深層学習のための具体的な技術とそのプログラム作成方法について述べる。履修者は、最初に人工知能と機械学習の基礎知識を学び、その後、プログラミング言語Pythonを使用しながら深層学習のための数学的知識を学ぶ。次に、深層学習の基礎技術を習得し、深層学習のプログラムの作成を行う。最後に、深層学習の応用事例を紹介する。
| 授業計画 | 授業時間外課題（予習および復習を含む） | 必要学習時間 | |
|---|---|---|---|
| 1． | はじめに：授業概要、人工知能について | シラバスの確認 | 30分 |
| 人工知能の復習 | 100分 | ||
| 2． | 機械学習（１）：機械学習の分類、教師なし学習 | 機械学習の復習 | 50分 |
| 教師なし学習の復習 | 100分 | ||
| 3． | 機械学習（２）：教師あり学習、強化学習 | 教師あり学習の復習 | 100分 |
| 強化学習の復習 | 100分 | ||
| 4． | Python：環境準備、基本文法、簡単なプログラムの作成 | Pythonの環境構築 | 50分 |
| プログラム課題（１） | 150分 | ||
| 5． | 最適化問題：回帰分析、勾配法 | 回帰分析の復習 | 100分 |
| 勾配法の復習 | 100分 | ||
| 6． | ニューラルネットワークの基礎：パーセプトロン、誤差伝搬法 | パーセプトロンの復習 | 100分 |
| 誤差伝搬法の復習 | 100分 | ||
| 7． | ニューラルネットワークの実践：多層パーセプトロンのプログラム作成 | プログラム課題（２） | 200分 |
| 8． | 深層学習の基礎（１）：活性化関数、損失関数 | 活性化関数の復習 | 100分 |
| 損失関数の復習 | 100分 | ||
| 9． | 深層学習の基礎（２）：深層学習で使われるネットワーク | 深層学習のネットワークの復習 | 200分 |
| 10． | 深層学習の基礎（３）：深層学習のための技術 | 深層学習のための技術の復習 | 200分 |
| 11． | 深層学習の実践（１）：プログラミングフレームワーク、データセット | プログラム課題（３） | 200分 |
| 12． | 深層学習の実践（２）：深層学習プログラム作成 | プログラム課題（４） | 200分 |
| 13． | 深層学習の応用：画像認識、自然言語処理、音声処理 | 深層学習の応用の復習 | 200分 |
| 14． | 深層学習の発展：GAN、DQN、YOLO | 深層学習の発展の復習 | 200分 |
| 合計 | - | - | 2680分 |
| レポート | プログラミング課題 | 合計 | |
|---|---|---|---|
| 1. | 10% | 0% | 10% |
| 2. | 20% | 0% | 20% |
| 3. | 10% | 10% | 20% |
| 4. | 0% | 40% | 40% |
| 5. | 10% | 0% | 10% |
| 合計 | 50% | 50% | - |
最終更新 : Sat Mar 21 14:17:47 JST 2020