|
授業の目標
|
|
画像処理やビッグデータ解析等においてパターン認識技術は非常に重要な役割を担っている。特に近年は性能が大幅に向上に，セキュリティ分野など多方面での応用が期待されている。
本授業ではパターン認識関連の各種処理方法や機械学習アルゴリズムの最新の動向について学び、パターン認識技術について深く理解する。
|
|
|
|
到達目標
|
|
・パターン認識システムの仕組みを理解し、説明できる。
・パターン認識に必要な各種処理方法を理解し，説明できる。
・学習・認識手法を具体的な問題に適用し，評価できる能力を身につける。
|
|
|
|
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
|
|
|
本授業は講義形式で実施する。パターン認識の一般的な流れと特徴空間や特徴ベクトルの考え方について学んだ後、パターン認識を実行する環境や評価指標について学ぶ。また，畳み込みニューラルネットワークや物体検出モデルなどの深層学習を用いた手法について学ぶ，応用システムや最新トピックについても紹介する。必要に応じて，Pythonプログラミングや論文の輪講も交えて実施する。
|
|
|
|
授業の計画
|
|
第１週 ガイダンス パターン認識の概要
第２週 パターン認識の基礎 パターン認識の手順と各種処理手法、特徴空間
第３週 実行環境と評価 機械学習ライブラリ，各種評価指標，データ拡張
第４週 機械学習アルゴリズム 最近傍法，決定木，ランダムフォレスト，サポートベクトルマシン
第５週 ニューラルネットワーク 多層パーセプトロン，誤差逆伝搬法
第６週 深層学習 畳み込みニューラルネットワークとその構造
第７週 可視化手法 特徴マップ・予測根拠の可視化
第８週 物体検出 画像中の物体認識手法
第９週 セグメンテーション セグメンテーション手法と応用
第１０週 アノテーション アノテーションと自動アノテーション
第１１週 時系列データ予測 LSTMによる時系列データ・動画像の扱い
第１２週 教師無し学習 Agglomerative clustering，k-means法，DBSCANによるクラスタリング
第１３週 敵対的生成ネットワーク GANを用いた画像生成
第１４週 最新トピック１ パターン認識関連の論文・手法の紹介１
第１５週 最新トピック２ パターン認識関連の論文・手法の紹介２
|
|
|
|
授業時間外学修の指示
|
|
・毎回授業後に授業のポイント・重要事項を自分の言葉でまとめる。
・レポートは必ず提出すること。
|
|
|
|
成績評価の方法
|
|
|
演習課題（30%）とレポート（70%）により評価する。
|
|
|
|
テキスト・参考書等
|
|
適宜資料を配布する。
参考書：
我妻幸長 『人工知能技術の教科書』 翔泳社 税抜3,400円 ISBN：978-4-7981-6720-6
川島賢著 『画像認識プログラミングレシピ」 秀和システム 税抜2,900円 ISBN：978-4-7980-5683-8
|
|
|
|
履修上の留意点
|
|
【manabaの利用法】
・コースコンテンツを用いて、講義の資料を配布する。
・レポート機能を用いて、提出レポートを回収する。
|
|
|
|
資料
|
|
|
|
|
備考
|
|
|