- 開講元
- 電気電子系
- 授業形態
- 講義 (対面型)
- メディア利用科目
- 曜日・時限(講義室)
- 火7-8(S2-204(S221)) 金7-8(S2-204(S221))
- クラス
- -
- 科目コード
- EEE.M252
- 単位数
- 2
- 開講年度
- 2023年度
- 開講クォーター
- 4Q
- シラバス更新日
- 2023年8月28日
- 講義資料更新日
- -
- 使用言語
- 日本語
- アクセスランキング
-
media
講義の概要とねらい
「EEE.M251: 電気電子インフォマティクス基礎I」で学んだ機械学習の各手法に加えて、本科目（EEE.M252）では、深層学習についての各種アルゴリズムを学ぶ。深層学習の基本概念への理解は、将来的に電気電子系諸分野の研究開発を行う上で重要となる。
到達目標
本講義を履修することで、次の能力を修得する。
1) 深層学習における種々のアルゴリズムについて理解を深める。
2) Pythonを用いた簡単な実装ができるようになる。
キーワード
AI、深層学習、Python
学生が身につける力(ディグリー・ポリシー)
| ✔ 専門力 | 教養力 | コミュニケーション力 | ✔ 展開力(探究力又は設定力) | 展開力(実践力又は解決力) |
| ✔ 電気電子分野の応用専門力 | ||||
授業の進め方
各回の講義ではT2SCHOLAにアップしたスライド資料を用いて説明を行う。また、Pythonを用いた演習を4回ほど行う。
授業計画・課題
| 授業計画 | 課題 | |
|---|---|---|
| 第1回 | ニューラルネットワークの基礎 | 深層学習の全体概要について理解を深める。 |
| 第2回 | 誤差逆伝播法と勾配消失問題 | ニューラルネットワークにおけるトレーニングアルゴリズムについて学ぶ |
| 第3回 | 深層化ネットワークのための各種技術 | 深層化したネットワークに用いられる代表的な収束手法について学ぶ |
| 第4回 | 畳み込みニューラルネット(CNN) 1 | 画像データ処理のための畳み込みニューラルネット(CNN)の基礎について学ぶ |
| 第5回 | 畳み込みニューラルネット(CNN) 2 | 画像データ処理のための畳み込みニューラルネット(CNN)の基礎について学ぶ |
| 第6回 | ＜演習＞ PythonによるCNNの実装1 | PyTorchを用いたCNNの実装について演習を行う（環境構築やライブラリ、基本構文など） |
| 第7回 | ＜演習＞ PythonによるCNNの実装2 | PyTorchを用いたCNNの実装について演習を行う（実際にCNNを構築してみる） |
| 第8回 | 再帰的ニューラルネット（RNN） | 時系列データ処理のための再帰的ニューラルネットについて学ぶ |
| 第9回 | アテンション機構とTransformer 1 | アテンション機構とTransformerの詳細を解説する |
| 第10回 | アテンション機構とTransformer 2 | アテンション機構とTransformerの詳細を解説する |
| 第11回 | ＜演習＞ Pythonによるアテンション機構の実装 1 | PyTorchを用いたTransformerの実装について演習を行う |
| 第12回 | ＜演習＞ Pythonによるアテンション機構の実装 2 | PyTorchを用いたTransformerの実装について演習を行う |
| 第13回 | 敵対的生成ネットワーク（GAN）と変分オートエンコーダ（VAE） | GANとオートエンコーダを用いた表現学習と生成型学習について学ぶ |
| 第14回 | 拡散モデル（Diffusion Model）1 | データ生成技術の新しい展開を学ぶ |
| 第15回 | 拡散モデル（Diffusion Model）2 | データ生成技術の新しい展開を学ぶ |
授業時間外学修（予習・復習等）
基本的に授業の予習は必要としないが、授業で説明した概要を踏まえた上で、参考書の該当箇所に目をとおして理解を深めることを強く勧める。
教科書
特にないが、参考書１番目のファイアーサラマンダーを強く勧める。
参考書、講義資料等
scikit-learn、Keras、TensorFlowによる実践機械学習（Aurélien Géron著）（オライリー）
機械学習エンジニアのためのTransformers ―最先端の自然言語処理ライブラリによるモデル開発（Lewis Tunstall, Leandro von Werra, Thomas Wolf著）（オライリー）
拡散モデル データ生成技術の数理（岡野原大輔 著）（岩波書店）
成績評価の基準及び方法
深層学習に関する理解度を評価するために、以下で成績を付ける。
毎回の出席レポート（40%）
中間：Pythonを用いたプログラムの提出（30%）
期末試験（30%）
関連する科目
- EEE.M221 ： 計算アルゴリズムとプログラミング
- EEE.M231 ： 応用確率統計
- EEE.M251 ： 電気電子インフォマティクスⅠ
履修の条件(知識・技能・履修済科目等)
EEE.M251 電気電子インフォマティクス基礎I： 必須
EEE.M221 計算アルゴリズムとプログラミング： 必須
EEE.M231 応用確率統計： 推奨
