深層学習(ディープラーニング)や数理最適化手法は産業や社会にとって欠かせない技術のひとつとなりつつある。これらの技術は特定の分野に限定されない汎用的な特性を持つことから今後も幅広い分野において応用事例が増加していくと目される。
本講義ではまず強化学習及び深層強化学習を理解する。併せて、数理計画法及びメタヒューリスティクスといった最適解探索手法を理解する。最後に、量子コンピューティングの特徴ならびに技術開発動向を理解する。
なお、機械学習ならびに数理計画法の初学者でも無理なく学習できるよう配慮し、各手法の適用事例を踏まえつつ、アルゴリズムの原理及び簡易的な手法の実装力を身につける。
本講義を履修することで次のことを理解・修得する。
1)深層強化学習の開発変遷と適用範囲について理解する。
2)数理計画法、メタヒューリスティクスの基礎を理解する。
3)現在の量子コンピューティング技術の概要を理解する。
✔ 該当する | 実務経験と講義内容との関連(又は実践的教育内容) |
---|---|
担当教員は自身で起業した会社にてAI・ソフトウェア開発を実施していた。本講義では、実務上のソフトウェア開発で得られた知見を基にしている。 |
深層学習、Python、プログラミング、強化学習、数理計画法、量子コンピューティング
✔ 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) |
授業は講義を中心に行うが、一部Pythonによるプログラミング実習を行う。Pythonはブラウザベースの開発環境(Google Colab)を用いる予定である。
授業計画 | 課題 | |
---|---|---|
第1回 | ガイダンス、深層強化学習① | 本講義の目的を理解する。強化学習の原理及び価値ベース、方策ベースのアルゴリズム最新動向を理解する。 |
第2回 | 深層強化学習②(プログラミング実習) | 事例を通じてゲーム強化学習の原理を理解する。強化学習の例題としてPythonで深層強化学習を実装する。 |
第3回 | 最適化の概要と線形計画法① | 最適化・探索アルゴリズムの事例ならびに計算量クラスの概念を理解する。 |
第4回 | 線形計画法②(プログラミング実習) | 線形計画法の基本原理を理解し、Pythonで線形計画法を実行する。 |
第5回 | 非線形計画法と動的計画法 | 非線形計画法アルゴリズム及び最適経路問題等に適用される動的計画法・ダイクストラ法を理解する。 |
第6回 | メタヒューリスティクス | 遺伝的アルゴリズムや群知能最適化などのメタヒューリスティクス手法を理解する。 |
第7回 | 量子コンピューティング | 量子コンピューティング技術(量子アニーリング方式、量子ゲート方式等)の概要を理解する。 |
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。
特になし
担当教員が用意する講義資料を用いて授業を行う
講義・プログラミング実習への参加(50%)およびレポート提出(50%)により評価する。
特になし