- 開講元
- 情報理工学院
- 授業形態
- 講義
- メディア利用科目
- 曜日・時限(講義室)
- 金5-6(Zoom)
- クラス
- -
- 科目コード
- XCO.T489
- 単位数
- 1
- 開講年度
- 2020年度
- 開講クォーター
- 4Q
- シラバス更新日
- 2020年9月29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
人工知能とは，人間のような知能を人工的に作ることを目指した研究分野である．近年，大量のデータや計算能力の向上を背景として，機械学習や深層学習が飛躍的な進化を遂げ，あらゆる分野で人工知能技術が活用されるようになった．本講義では，人工知能の基礎的な概念・理論を紹介し，人工知能技術の実用化に従事するために必要な知識の習得を目指す．
到達目標
人工知能技術の実用化に従事するために必要な知識を習得すること．
キーワード
分類，回帰，勾配法，パーセプトロン，活性化関数，誤差逆伝搬法，自動微分，畳み込みニューラルネットワーク
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) |
授業の進め方
TV会議システムを利用し，大岡山とすずかけ台いずれのキャンパスでも受講できるようにする．
授業計画・課題
| 授業計画 | 課題 | |
|---|---|---|
| 第1回 | ガイダンス | 実社会における人工知能 |
| 第2回 | 数学の基礎 | 基礎数学（線形代数，確率・統計，微分積分）の復習 |
| 第3回 | 線形回帰 | 損失関数，経験損失最小化，過剰適合，正則化，バイアスとバリアンス，線形モデル （線形回帰），リッジ回帰 |
| 第4回 | 線形分類 | 線形モデル（分類），ロジスティック回帰，勾配法 |
| 第5回 | 単層ニューラルネットワーク | 単層パーセプトロン，活性化関数，計算グラフ，自動微分 |
| 第6回 | 多層ニューラルネットワーク | 多層パーセプトロン，隠れユニット，誤差逆伝搬法，ソフトマックス |
| 第7回 | 畳み込みニューラルネットワーク | 畳み込みニューラルネットワーク，ドロップアウト |
| 第8回 | 試験 |
授業時間外学修（予習・復習等）
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。
教科書
なし
参考書、講義資料等
OCW-i にて電子的に配布する
成績評価の基準及び方法
期末試験にて評価
関連する科目
- XCO.T490 ： 基盤人工知能演習
- XCO.T483 ： 応用AI・データサイエンスA
- XCO.T484 ： FinTechとデータサイエンス
- XCO.T485 ： 応用AI・データサイエンスC
- XCO.T486 ： 応用AI・データサイエンスD
- XCO.T487 ： 基盤データサイエンス
- XCO.T488 ： 基盤データサイエンス演習
履修の条件(知識・技能・履修済科目等)
線形代数学，微分積分学，数理統計学に関する基本的な知識があることが望ましい．
