国立大学法人 東京工業大学

講義の概要とねらい

　深層学習（ディープラーニング）技術の飛躍的な進歩によって学術研究の発展のみならず産業や社会に大きな変革がもたらされている。画像認識AIやゲームAIは既に人間の能力を超えていることが示されており、古典的な最適化・探索技術も常に新しいアルゴリズムが提案・実用化されている。併せて、量子コンピューティングも限定的な場面（例えば組合せ最適化）において適用事例が徐々に報告されている。今後これらの先進技術に関する基礎的な知識や技術的限界に関する理解は、現場のエンジニアのみならずマネジメント層にも求められる。
　本講義では技術経営を学ぶ学生を対象としているため、数学の詳細な理論解説はなるべく回避し、深層学習にまつわる基礎的な知識を幅広く習得することを目的とする。また、プログラミング実習を通じて簡易的なモデル作成を行うことで深層学習のメリット・デメリット、適用範囲を受講者自身が正しく理解することを目的とする。
なお、本講義で扱うプログラミング実習は、Pythonの初学者に対応したレベルを想定している。機械学習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。

到達目標

本講義を履修することで次のことを理解・修得する。
1）深層学習の開発動向、諸問題、ビジネス事例について理解する。
2）画像認識、自然言語処理に対応した機械学習アルゴリズムの概要を理解する。
3）深層学習のメリット・デメリット、適用範囲や技術的限界を正しく理解する。
4）Pythonを用いた深層学習の実装力を修得する。

実務経験のある教員等による授業科目等

キーワード

深層学習、画像認識、自然言語処理、Python、プログラミング

学生が身につける力(ディグリー・ポリシー)

授業の進め方

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及びグループワークを行う。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

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

特になし

参考書、講義資料等

講義時に関係資料を配付する。
なお、必要に応じて下記の書籍を参考にすると良い。
猪狩 宇司ほか、深層学習教科書 ディープラーニング G検定(ジェネラリスト)公式テキスト 第2版、翔泳社、2021/4/27

成績評価の基準及び方法

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。

関連する科目

• TIM.A405 ： 数理情報分析基礎 I
• TIM.A406 ： 数理情報分析基礎 II
• TIM.A539 ： 数理情報分析応用II

履修の条件(知識・技能・履修済科目等)

特になし

その他

授業資料等はT2SCHOLAを使用しますので、履修学生はT2SCHOLAを確認するようにお願いします。