|
（全課程からの提供）
| 授業科目区分 |
科目名 |
単位数 |
科目コード |
開講時期 |
履修方法 |
（全課程からの提供）
リベラルアーツ系科目
文理横断 |
ＡＩ応用Ⅰ(深層学習）（春期集中講義)
Deep Learning
|
1 |
G244-01 |
2024年度
２期（後学期）
|
修学規程第4条を参照 |
| 授業科目の学習・教育目標 |
| キーワード |
学習・教育目標 |
| 1.人工知能
2.機械学習
3.深層学習
4.ニューラルネットワーク
5.コンピュータビジョン
|
機械に知能を持たせ、人間の持つ優れた認知・情報処理を実現する人工知能は、ICT社会の
さまざまな領域で益々その重要性を増している。本科目では、人工知能の中心技術である深
層学習(ディープラーニング)の基礎、画像認識分野で幅広く活用されている畳み込みニュー
ラルネットワークや時系列データを処理するためのリカレントニューラルネットワークの仕
組みと活用法などを実践的に学び、知能システムの実現に向けて重要な技術となる深層学習
やその応用システムについての理解を深める。 |
| 授業の概要および学習上の助言 |
| 本科目では、人工知能の中心技術である深層学習(ディープラーニング)の基礎から応用までを扱う。深層学習の基礎、畳み込
みニューラルネットワーク(CNN, Convolutional Neural Network)、リカレントニューラルネットワーク(RNN,Recurrent Neu
ral Network)の仕組みと活用法などについて学び、それらの手法およびモデルに基づく応用システムを構築して評価する。以
上の授業内容を通じて、深層学習の応用システムの構築方法や課題を評価でき、深層学習の応用が適した現実の問題に対応で
きる実践的な能力を修得することを期待する。 |
| 教科書および参考書・リザーブドブック |
| 教科書：指定なし
参考書：指定なし
ﾘｻﾞｰﾌﾞﾄﾞﾌﾞｯｸ：指定なし |
| 履修に必要な予備知識や技能 |
| AIの基礎知識を有し、プログラミング経験者であることが望ましい。Pythonについては、関連書籍、関連情報、関連プログラ
ムを参照しながら、プログラムの処理概要を理解し、説明できればよい。 |
| 学生が達成すべき行動目標 |
| No. |
学科教育目標
（記号表記） |
|
| ① |
D |
深層学習の基本的な機能を理解し、説明できる。 |
| ② |
D |
深層学習の典型的な手法およびディープニューラルネットワークモデルを理解し、説明できる。 |
| ③ |
D,F |
CNN、RNNのモデルを実装し、それらの応用システムを構築できる。 |
| ④ |
D,F |
CNN、RNNのモデルおよびそれらの応用システムを評価し、性能向上に向けたチューニングができる。 |
| ⑤ |
D,F |
さまざまな深層学習の応用システムを評価できる。 |
| ⑥ |
|
|
| 達成度評価 |
|
|
評価方法 |
| 総合評価割合 |
0 |
0 |
50 |
50 |
0 |
0 |
0 |
100 |
| 指標と評価割合 |
総合評価割合 |
0 |
0 |
50 |
50 |
0 |
0 |
0 |
100 |
| 総合力指標 |
0 |
0 |
30 |
20 |
0 |
0 |
0 |
50 |
| 0 |
0 |
20 |
20 |
0 |
0 |
0 |
40 |
| 0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
| 0 |
0 |
0 |
10 |
0 |
0 |
0 |
10 |
| 0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
| 評価の要点 |
| 評価方法 |
行動目標 |
評価の実施方法と注意点 |
| 試験 |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
クイズ
小テスト |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
| レポート |
① |
レ |
レポートにより、その理解度を評価する。 |
| ② |
レ |
| ③ |
レ |
| ④ |
レ |
| ⑤ |
レ |
| ⑥ |
|
成果発表
(口頭・実技) |
① |
レ |
レポートについての成果発表と討議により、達成レベルを評価する。 |
| ② |
レ |
| ③ |
レ |
| ④ |
レ |
| ⑤ |
レ |
| ⑥ |
|
| 作品 |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
| ポートフォリオ |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
| その他 |
① |
|
|
| ② |
|
| ③ |
|
| ④ |
|
| ⑤ |
|
| ⑥ |
|
| 具体的な達成の目安 |
| 理想的な達成レベルの目安 |
標準的な達成レベルの目安 |
| 標準的な達成レベルに加えて、研究課題に挑戦し、深層学習の
応用システムを構築、評価できる。 |
深層学習の基本的機能を理解、説明でき、その機能を用いた典
型的な応用システムを構築、評価できる。 |
| 授業明細 |
| 回数 |
学習内容 |
授業の運営方法 |
学習課題 予習・復習 |
時間：分※ |
| 1 |
授業ガイダンス
環境構築
ディープラーニングとは何か |
実務家教員による講義・演習
・討論 |
教科書第1章の予習と復習 |
120 |
| 2 |
予習：ニューラルネットワークの数学的要素 |
実務家教員による講義・演習
・討論 |
教科書第2章の予習と復習 |
120 |
| 3 |
入門：ニューラルネットワーク |
実務家教員による講義・演習
・討論 |
教科書第3章の予習と復習 |
120 |
| 4 |
機械学習の基礎 |
実務家教員による講義・演習
・討論 |
教科書第4章の予習と復習 |
120 |
| 5 |
コンピュータビジョンのためのディープラーニング |
実務家教員による講義・演習
・討論 |
教科書第5章の予習と復習 |
120 |
| 6 |
テキストとシーケンスのためのディープラーニング |
実務家教員による講義・演習
・討論 |
教科書第6章の予習と復習 |
120 |
| 7 |
成果発表およびレポート提出 |
発表・討論 |
成果発表準備と総復習 |
120 |
|
一般に、授業あるいは課外での学習では：「知識などを取り込む」→「知識などをいろいろな角度から、場合によってはチーム活動として、考え、推論し、創造する」→「修得した内容を表現、発表、伝達する」→「総合的に評価を受ける、ＧｏｏｄＷｏｒｋ！」：のようなプロセス（一部あるいは全体）を繰り返し行いながら、応用力のある知識やスキルを身につけていくことが重要です。このような学習プロセスを大事に行動してください。
※学習課題の時間欄には、指定された学習課題に要する標準的な時間を記載してあります。日々の自学自習時間全体としては、各授業に応じた時間（例えば2単位科目の場合、予習2時間・復習2時間／週）を取るよう努めてください。詳しくは教員の指導に従って下さい。