本講義は、応用基礎データサイエンス・AI第一を履修した学生を主な対象とし、数理・データサイエンス・AI(応用基礎レベル)モデルカリキュラムに準拠しつつ、将来のエキスパートレベルの学修に繋がる知識や実践的スキルの習得に必要な学修内容を提供する。データサイエンス、データエンジニアリング、AIそれぞれの分野における基礎理論、各種手法・アルゴリズムを解説し、実例紹介や課題演習を通して履修学生が理解を深めると共に実践的スキルを身につけることをめざす。
以下の能力を身につけることを目標とする。
1) データサイエンスを学ぶ意義を理解した上で、データ分析手法を理解し目的に応じて適切な分析手法・可視化手法を選択できる
2) データエンジニアリングの役割を理解し、様々なデータのコンピュータ上での表現方法、データ収集・処理・蓄積技術を理解する
3) AIの歴史・技術的背景・倫理・社会との関わり、機械学習と学習アルゴリム、ニューラルネットワークと深層学習手法を理解し、AI技術を課題解決へ繋げることができる
母集団、推測統計、推定、検定、教師なし学習、教師あり学習、強化学習、DNN、CNN、RNN、認識、予測
✔ 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) |
授業内容の理解度を確認するため毎回課題演習を課す。
授業計画 | 課題 | |
---|---|---|
第1回 | 数理統計の基礎1 | データサイエンスの基本である統計解析の基礎理論を学び、具体的な例題を通して統計的推定手法を理解する |
第2回 | 数理統計の基礎2 | 統計的推定に続いて仮説検定の基礎理論を学び、具体的な例題を通して仮説検定手法を理解する |
第3回 | 機械学習1 | AIの基盤技術の一つである機械学習手法の基礎を学び、具体的な例題を通して教示なし学習手法を理解する |
第4回 | 機械学習2 | 前回に引き続き機械学習手法の基礎を学び、教師あり学習、交差検証、強化学習などの手法を理解する |
第5回 | ニューラルネットワークと深層学習1 | パーセプトロン、多層パーセプトロン、バックプロパゲーションなど、人工神経回路網とその学習手法の基礎を学び、具体的な例題を通して手法を理解する |
第6回 | ニューラルネットワークと深層学習2 | 深層学習の理論を学び、DNN、CNN、RNNなど各種ニューラルネットワークの構成と動作を理解する |
第7回 | AI応用 | 深層学習を利用したAI技術応用の事例紹介を通して、社会におけるAI技術の役割を理解する |
学修効果を上げるため,教科書や配布資料等の該当箇所を参照し,「毎授業」授業内容に関する 予習と復習(課題含む)をそれぞれ概ね100分を目安に行うこと。
なし。講義資料を配布する。
講義資料は事前にT2SCHOLAに掲載し、Zoom画面でも共有する。
各回の課題演習と期末レポートを総合して評価する。
微分積分学第一・第二、線形代数学第一・第二、基礎データサイエンス・AI、応用基礎データサイエンス・AI第一の学修内容相当の素養を修得していることを前提とする。
小林隆夫 (lecture_ba_2023[at]dsai.titech.ac.jp)
T2SCHOLAのフォーラムかメールで質問すること。