- 開講元
- 電気電子系
- 授業形態
- 講義
- メディア利用科目
- 曜日・時限(講義室)
- -
- クラス
- -
- 科目コード
- EEE.M252
- 単位数
- 2
- 開講年度
- 2024年度
- 開講クォーター
- 4Q
- シラバス更新日
- 2024年3月14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
各回の講義ではこちらで指定したスライド資料を用いて説明を行う。
また、ゲスト講演回を2-3回ほど設ける。
授業計画・課題
| 授業計画 | 課題 | |
|---|---|---|
| 第1回 | イントロダクション | イントロダクション |
| 第2回 | 深層学習の概念 | 深層学習の全体概要について理解を深める。 |
| 第3回 | 損失関数 | 深層化したネットワークに用いられる損失関数について学ぶ |
| 第4回 | パーセプトロンと誤差逆伝播法 | 誤差逆伝播法について学ぶ |
| 第5回 | 畳み込みニューラルネットワーク (CNN) | 画像データ処理のための畳み込みニューラルネットについて学ぶ |
| 第6回 | 勾配消失問題と収束手法 1 | 勾配消失問題と収束手法について学ぶ |
| 第7回 | 勾配消失問題と収束手法 2 | 勾配消失問題と収束手法について学ぶ |
| 第8回 | ゲスト講演回 | ゲスト講演回 |
| 第9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10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11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12回 | ゲスト講演回 | ゲスト講演回 |
| 第13回 | 生成モデル 1 | 変分オートエンコーダを用いた生成型ネットワークについて学ぶ |
| 第14回 | 生成モデル 2 | 拡散モデルを用いた生成型ネットワークについて学ぶ |
| 第15回 | ゲスト講演回 | ゲスト講演回 |
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、参考書やウェブページ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
各回の講義ではこちらで指定したスライド資料を用いて説明を行う。
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）
深層学習 改訂第2版 (機械学習プロフェッショナルシリーズ)（岡谷貴之 著）（講談社）
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)
ほんの少しのやる気と情熱
EEE.M251 電気電子インフォマティクスI： ほぼ必須
EEE.M221 計算アルゴリズムとプログラミング： 推奨
EEE.M231 応用確率統計： 推奨
