|
授業の目標
|
|
・ 機械知能を実現する人工知能の基礎知識を身に着け、 様々な学習アルゴリズムをの特徴を説明できる。
・ 機械学習のプログラムを構築し、知能ロボットやコンピュータビジョンに応用展開できる能力を身につける。
|
|
|
|
到達目標
|
|
・ 学習アルゴリズム間の関連性を比較し、系統的に分類できる。
・ Pythonで書かれた機械学習のプログラムを理解し、自分が学習させたいものに合わせて
前処理・ネットワーク構造・ハイパーパラメータなどを適切に修正できる。
|
|
|
|
身につく能力
|
|
＜全学ディプロマ・ポリシー＞
○(1)各研究科・専攻の専門分野に応じた高度な専門知識
○(2)各研究科・専攻の専門分野に応じた研究開発能力
○(3)高い水準の幅広い教養と倫理観
(4)高度な専門知識・研究開発能力・倫理観・幅広い教養を統合し、問題を発見し解決する能力
(5)高度な専門知識・研究開発能力・倫理観・幅広い教養を統合し、グローカルな視野をもって社会的・経済的価値を創出する力
|
|
|
授業の概要
|
|
|
機械知能を実現するための人工知能と機械学習について取り扱う。古典的な内容から最先端の技術まで、主にpython（TensorFlow および PyTorch）によるプログラミングを通して幅広く講義する。
|
|
|
|
授業の計画
|
|
第01講：Pythonプログラミング基礎（Python on Preliminaries）
第02講：TensorFlow基礎，回帰（TensorFlow and Keras for Neural networks， Regression）
第03講：分類１（Classification1）
第04講：分類２（Classification2）
第05講：転移学習（Transfer Learning）
第06講：オートエンコーダー（Autoencoder）
第07講：敵対的生成ネットワーク（Generative Adversarial Networks）
第08講：リカレントニューラルネット（Recurrent Neural Networks）
第09講：画像セグメンテーション（Image Segmentation）
第10講：物体検出・姿勢推定（Object Detection, Pose Estimation）
第11講：画像生成（Image Generation）
第12講：強化学習１（Reinforcement Learning1）
第13講：強化学習２（Reinforcement Learning2）
第14講：教師なし学習／人工生命（Unsupervised Learning／ALife）
第15講：深層学習の未来（Future of Deep Learning）
|
|
|
|
授業時間外学修の指示
|
|
|
manabaで提示するサンプルプログラムや資料を活用して、講義前後の予習・復習に努めること。
|
|
|
|
成績評価の方法
|
|
・評価対象：レポートを提出期日までに提出した者
・評価割合：各講義での演習課題（60%）とレポートの内容（40%）に、出席・質疑応答等の受講態度を加味して総合的に評価する。
|
|
|
|
テキスト・参考書等
|
|
|
|
|
履修上の留意点
|
|
|
講義と並行して、プログラミング演習により、機械学習アルゴリズムの動作を確認します。ノートパソコンを持参してください。準備できない場合は事前に担当教員に相談して下さい。
|
|
|
|
資料
|
|
|
|
|
備考
|
|
・Pythonの基礎知識を持っていることが望ましい
・線形代数学と解析学に関する講義を履修済みであることが望ましい
|
|