- 開講元
- 情報理工学院
- 授業形態
- 演習
- メディア利用科目
- 曜日・時限(講義室)
- 月7-8
- クラス
- -
- 科目コード
- XCO.T680
- 単位数
- 1
- 開講年度
- 2021年度
- 開講クォーター
- 3Q
- シラバス更新日
- 2021年9月17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・理論をコンピュータ・ソフトウェアとして実装し，人工知能技術の実用化に従事するために必要な技術の習得を目指す．
到達目標
データ処理や機械学習をコンピュータ上で実現する方法を理解し，人工知能技術の実用化に従事するために必要な実装力の習得を目指す．
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
講義科目「基盤データサイエンス発展」と連動し，講義内容に関連したプログラミング演習を行う．
授業計画・課題
| 授業計画 | 課題 | |
|---|---|---|
| 第1回 | ガイダンス，計算環境の構築 | 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 | 単層パーセプトロン，活性化関数，計算グラフ，自動 微分 |
| 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 |
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
演習課題に関するレポートに基づく
関連する科目
- XCO.T679 ： (基盤人工知能発展)
- XCO.T483 ： 応用AI・データサイエンスA
- 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.T677 ： (基盤データサイエンス発展)
- 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)
本演習は博士後期課程の方を対象としています。
本演習を履修する場合は，同年度・同クォータに開講される「XCO.T679 基盤人工知能発展」，「XCO.T677 基盤データサイエンス発展」および「XCO.T678 基盤データサイエンス発展演習」を同時に履修してください．演習の履修希望者が多数の場合には基盤データサイエンス演習の初回に抽選を行う可能性があります．
その他
Google Colaboratory を使って演習を行います．第１回までに各自 Google アカウントを取得し，Google Drive でのファイルアップロード／ダウンロードができるようにしておいてください．
