理工学研究科Graduate School of Science and Engineering
PRI500X4(情報学基礎 / Principles of informatics 500)機械学習特論1Machine Learning 1
柴田 千尋Chihiro SHIBATA
授業コードなどClass code etc
学部・研究科Faculty/Graduate school | 理工学研究科Graduate School of Science and Engineering |
添付ファイル名Attached documents | |
年度Year | 2022 |
授業コードClass code | YC044 |
旧授業コードPrevious Class code | |
旧科目名Previous Class title | |
開講時期Term | 秋学期授業/Fall |
曜日・時限Day/Period | 金3/Fri.3 |
科目種別Class Type | |
キャンパスCampus | 小金井 |
教室名称Classroom name | 各学部・研究科等の時間割等で確認 |
配当年次Grade | |
単位数Credit(s) | 2 |
備考(履修条件等)Notes | |
実務経験のある教員による授業科目Class taught by instructors with practical experience | |
カテゴリーCategory | システム理工学専攻 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
[Outline]
In this lecture, we learn about Generative Adversarial Networks (GANs), a technique of deep neural networks that has attracted much attention recently, mainly from the viewpoint of applications and programming. The aim of this lecture is to gain knowledge of how GANs are actually applied and programmed.
In addition, we refer to actual codes using the python language and a library called PyTorch to gain a deeper understanding.
[Goal]
To gain a general knowledge of what adversarial generative networks are, and how they can be applied to real-world problems. To deepen the understanding of how to code them in practice.
[Learning Activities Outside of Classroom]
Basic knowledge of Python language is required in advance.
[Grading Criteria]
Evaluation is based on the report submitted at the end of the semester.
授業で使用する言語Default language used in class
日本語 / Japanese
授業の概要と目的(何を学ぶか)Outline and objectives
本講義では,最近注目度の高い,深層ニューラルネットの一つの技術である,敵対的生成ネットワーク(Generative Adversarial Network)について,主に応用とプログラミングの観点から学ぶ.それを通して,GANが実際にどのような形で応用されるのか,また,どのようにプログラムされるのかについての知識を獲得することを狙う.本講義では python言語,および pytorch と呼ばれるライブラリを用いた実際のプログラムを読むことを通して,より深く理解することを狙う.
到達目標Goal
敵対的生成ネットワークとは何かについての一般的な知識を獲得する.また,それらが現実の問題に対して,どのような応用の可能性があるかについての視野を広げる.また,実際にどのようにプログラムされるのかについて理解を深める.
この授業を履修することで学部等のディプロマポリシーに示されたどの能力を習得することができるか(該当授業科目と学位授与方針に明示された学習成果との関連)Which item of the diploma policy will be obtained by taking this class?
ディプロマポリシーのうち、「DP1」「DP2」「DP3」に関連
授業で使用する言語Default language used in class
日本語 / Japanese
授業の進め方と方法Method(s)(学期の途中で変更になる場合には、別途提示します。 /If the Method(s) is changed, we will announce the details of any changes. )
講義を中心にすすめるが,講義中に,ノートPCを用いて実際のプログラムを参照することもある.また,講義の最後にレポートの提出を求める.
アクティブラーニング(グループディスカッション、ディベート等)の実施Active learning in class (Group discussion, Debate.etc.)
なし / No
フィールドワーク(学外での実習等)の実施Fieldwork in class
なし / No
授業計画Schedule
授業形態/methods of teaching:対面/face to face
※各回の授業形態は予定です。教員の指示に従ってください。
1[対面/face to face]:深層学習の概説
深層ニューラルネットワークとは何かや,その学習の方法等について概説を行う.
2[対面/face to face]:生成モデル
機械学習における識別モデルと生成モデルの違い,および深層ニューラルネットにおける生成モデルについて説明する.
3[対面/face to face]:生成モデルとオートエンコーダ
オートエンコーダは教師なし学習のモデルの一つである.オートエンコーダについて説明する.
4[対面/face to face]:変分オートエンコーダ
深層ニューラルネットワークを用いた生成モデルの代表例として,変分オートエンコーダを取り上げ,説明する.
5[対面/face to face]:敵対的生成ネットワーク概要
敵対的生成ネットワークについて,通常の生成モデルとの違いにスポットを当て説明する.
6[対面/face to face]:敵対的生成ネットワークの実装
敵対的生成ネットワークの実装はどのように行われるのか,実践的な観点から説明する.
7[オンライン/online]:条件付きGAN
条件付き敵対的生成ネットワーク(Conditional GAN)を紹介する.
8[オンライン/online]:超解像とGAN
超解像とは,低解像度の画層から,何らかの変換を通して補間を行う手法である.GANを用いた超解像の手法を紹介する.
9[オンライン/online]:ドメイン変換とGAN
例えば馬の画像とシマウマの画像や,イラスト画と写真など,異なる2つのカテゴリ間の画像変換を行うためのGANの手法について説明する.
10[オンライン/online]:動画変換とGAN
動画変換に用いられるGANについて説明する.
11[オンライン/online]:より複雑な構造を持つGAN
より複雑だが高精度な画像生成が可能なGANとして,SytleGANを例に上げ,説明する.
12[オンライン/online]:異常検知への応用
GANを用いた異常検知の手法について,説明する.
13[オンライン/online]:3Dデータの生成
3Dデータを生成するGANについて,説明する.
14[オンライン/online]:今後の課題
最近のGANの研究からいくつか紹介する.今後どのようにGANが発展してゆくのかについて議論する.
授業時間外の学習(準備学習・復習・宿題等)Work to be done outside of class (preparation, etc.)
【本授業の準備・復習時間は、各4時間を標準とします。】
テキスト(教科書)Textbooks
毛利ら,「GANディープラーニング 実装ハンドブック」秀和システム
参考書References
特になし
成績評価の方法と基準Grading criteria
学期末に提出するレポートにて評価を行う.
学生の意見等からの気づきChanges following student comments
本年度新規科目につきアンケートを実施していません.
学生が準備すべき機器他Equipment student needs to prepare
ノートPC
その他の重要事項Others
python言語について基礎的な知識を持っていることが望ましい.