|
授業の目標
|
|
人工知能（AI）とは、知的なコンピュータプログラムを作る科学と技術である。深層学習・生成AIの発展により、文章要約、画像生成、意思決定支援などのAIサービスが浸透している。本講義では、課題解決にAI技術を活用できるようになるため、次のことを目標とする。
(1)探索の基本手法を身につける。
(2)知識獲得としての機械学習・深層学習・生成AIの基盤技術を身につける
(3)自然言語処理・生成AI活用の基本を身につける。
(4)意思決定支援の基本手法として統計的因果推論を身につける。
(5)データ分析の進め方、AIの社会実装、法制度、AI倫理・公平性を理解する。
|
|
|
|
到達目標
|
|
(1)探索の基本手法として、網羅的探索、発見的探索、ゲーム木探索を具体例に適用できる。
(2)知識獲得の基本手法として、機械学習モデルの学習と評価の手順、ニューラルネットワークの学習プロセス、深層ニューラルネットワークモデル・生成AIの基盤技術について説明できる。さらに、決定木学習を具体例に適用できる。
(3)自然言語処理・生成AIの基本（確率的言語モデル、事前学習モデル〔BERT/GPT等〕の活用：ファインチューニング／プロンプト／エージェント、出力の評価・根拠付け）を説明できる。
(4)意思決定支援の基本手法として、潜在的結果変数の枠組み、統計的因果推論の手法を具体例に適用できる。
(5)データ分析の進め方、AIシステムの開発・社会実装、データ活用の法制度、AI倫理・公平性を説明できる。
|
|
|
|
身につく能力
|
|
＜全学ディプロマ・ポリシー＞
○【知識・理解・技術】
１．各専門分野の知識・技術を習得し、活用する力を身につけている
【教養・基礎的能力】
２．幅広い教養と、外国語能力、情報活用能力、コミュニケーション能力などの基礎的能力を身につけている
【態度・志向性】
３．多様な価値観を有する人々と倫理観・責任感をもって協働することができる
【態度・志向性】
４．時代の変化に主体的に対応するため継続的に学び、自律的に行動することができる
【問題発見・解決能力】
５．専門の知識・技術及び基礎的能力を統合し活用して、問題を発見し解決する能力を身につけている
【ｸﾞﾛｰｶﾙ・創造的思考力】
６．地域的・国際的視点をあわせもち、また、新たな価値を想像する力を身につけている
|
|
|
授業の概要
|
|
|
本講義では、最初に人工知能分野を概観し、深層学習・生成AIなどの現在の技術の到達点と課題について考察する。続いて、探索の基本手法として、網羅的探索、発見的探索、ゲーム木の探索について学ぶ。次に、知識獲得の手法として、機械学習モデルの学習と評価の方法、決定木の学習、ニューラルネットワークの基礎を身につけたあと、深層学習・生成AIの基盤技術を学ぶ。続いて、自然言語処理における、確率的言語モデル、Transformerに基づく言語モデル、生成AIのプロンプティング技術等（生成AI出力の評価と根拠付けを含む）について学ぶ。さらに、意思決定支援の基本手法として、統計的因果推論の枠組みと手法について学ぶ。最後に、人工知能の応用分野として、データ分析、AIの社会実装とビジネス/業務への応用、データ活用に関わる法制度、AI倫理・公平性について学ぶ。
|
|
|
|
授業の計画
|
|
第１週：人工知能技術(AI)の概観、AI技術の歴史的発展、現在のAI技術（深層学習、生成AIなど）の到達点と課題
第２週：探索方式１- 探索問題の定式化（状態空間、初期状態、目標状態）、網羅的探索(縦型探索、横型探索)
第３週：探索方式２- 発見的探索(最良優先選択、A*アルゴリズム)
第４週：探索方式３ - ゲーム木の探索、ミニマックス法、α-β枝刈、モンテカルロ木探索
第５週：知識獲得１ - 機械学習の基礎：機械学習(教師あり/教師なし)の概要、モデルの学習と評価の方法、データ分割・リーク・再現性、評価基準(Precision, Recall, F値）、決定木の学習
第６週：知識獲得２ - ニューラルネットワークの基礎：単純パーセプトロン、 階層型ニューラルネットワーク、誤差逆伝播法・勾配降下などの学習プロセス
第７週：知識獲得３ - 深層学習・生成AIの基礎：深層ニューラルネットワークモデル（CNN, RNNなどの位置づけ）、生成AIの基盤技術（Transformer、拡散モデル、画像言語モデル）
第８週：自然言語処理１：自然言語処理の概要、確率的言語モデル(n-gram 言語モデル）の特徴と限界、なぜ分散表現・Transformerへ行くか
第９週：自然言語処理２：BERT/GPT等の事前学習モデルのファインチューニング、生成AIにおけるプロンプティング技術・エージェント技術（生成AI出力の評価と根拠付け）
第１０週：意思決定支援１ - 統計的因果推論の基礎：統計的因果推論とは、因果と相関の違い、潜在的結果変数の枠組み、交絡因子とDAG（Directed Acyclic Graph）、重要な仮定
第１１週：意思決定支援２ - 統計的因果推論の方法論(1)：回帰分析による統計的因果推論
第１２週：意思決定支援３ - 統計的因果推論の方法論(2)：傾向スコアを用いた統計的因果推論
第１３週：応用分野１ - データ分析の進め方、分析⽬的の設定、仮説検証サイクル
第１４週：応用分野２ - AIシステムの開発・社会実装、ビジネス/業務への応用
第１５週：応用分野３ - データ活用に関わる法制度、AI倫理、AIの公平性
第１６週：定期試験
|
|
|
|
授業時間外学修の指示
|
|
・講義の配布資料は事前にmanabaに掲載する。予習・復習に活用すること。
・授業終了時に次回授業テーマに関連する予習課題を与える。次回授業までに予習課題の解答をmanabaで提出すること。授業は予習前提で進める。
・毎回授業で演習問題を解く。演習問題の解答例はmanabaで公開するので、その解答例を見ることで授業内容を復習すること。
|
|
|
|
成績評価の方法
|
|
|
評価は定期試験と予習・演習課題により行い、授業の各到達目標の割合は、定期試験と予習・演習課題ともに、目標(1)20％、目標(2)20％、目標(3)20％、目標(4)20％、目標(5)20％である。評価方法の割合は定期試験70％、予習・演習課題30％とする。これらの総合評価により60％以上を合格とする。
|
|
|
|
テキスト・参考書等
|
|
参考書：
・大槻知史、最強囲碁AI アルファ碁 解体新書 増補改訂版、翔泳社、2,680円、ISBN:978-4798157771
・北川源四郎、竹村彰通（編）、赤穂昭太郎、今泉允聡、内田誠一、清智也、高野渉、辻真吾、原尚幸、久野遼平、松原仁、宮地充子、森畑明昌、宿久洋（著）、応用基礎としてのデータサイエンス AI×データ活用の実践、講談社、税抜2,600円、ISBN:978-4065307892
・高橋将宜 (著)、統計的因果推論の理論と実装 (Wonderful R)、共立出版、税抜3,500円、ISBN:978-4320112452
・黒橋禎夫、 柴田知秀(著)、自然言語処理概論、サイエンス社、税抜1,900円、ISBN:978-4781913889
|
|
|
|
履修上の留意点
|
|
離散数学、情報理論で学んだグラフ理論、エントロピーについて復習し、内容を把握しておくこと。
【manabaの利用法】
・コースコンテンツを用いて、講義資料を配布する。予習に役立てること。
・小テスト機能、レポート機能を用いて、予習課題、演習課題を実施する。
|
|
|
|
資料
|
|
|
|
|
備考
|
|
|