理工学部Faculty of Science and Engineering
COT300XG（計算基盤 / Computing technologies 300）知能創造Creative Intelligence
柴田 千尋Chihiro SHIBATA
授業コードなどClass code etc
| 学部・研究科Faculty/Graduate school | 理工学部Faculty of Science and Engineering |
| 添付ファイル名Attached documents | |
| 年度Year | 2021 |
| 授業コードClass code | H9097 |
| 旧授業コードPrevious Class code | |
| 旧科目名Previous Class title | |
| 開講時期Term | 春学期授業/Spring |
| 曜日・時限Day/Period | 月3/Mon.3 |
| 科目種別Class Type | |
| キャンパスCampus | 小金井 |
| 教室名称Classroom name | |
| 配当年次Grade | |
| 単位数Credit(s) | |
| 備考（履修条件等）Notes | |
| 他学部公開科目Open Program | |
| 他学部公開（履修条件等）Open Program (Notes) | |
| グローバル・オープン科目Global Open Program | |
| 成績優秀者の他学部科目履修制度対象Interdepartmental class taking system for Academic Achievers | |
| 成績優秀者の他学部科目履修（履修条件等）Interdepartmental class taking system for Academic Achievers (Notes) | |
| 実務経験のある教員による授業科目Class taught by instructors with practical experience | |
| SDGsCPSDGs CP | |
| アーバンデザインCPUrban Design CP | |
| ダイバーシティCPDiversity CP | |
| 未来教室CPLearning for the Future CP | |
| カーボンニュートラルCPCarbon Neutral CP | |
| 千代田コンソ単位互換提供（他大学向け）Chiyoda Campus Consortium | |
| カテゴリー＜理工学部＞Category |
創生科学科 学科専門科目 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
The goal is to acquire basic and practical knowledge of machine learning that supports the foundation of artificial intelligence, which has been remarkably developed in recent years. In particular, we will focus on neural networks and deep learning, aiming to understand the basic mechanisms and notions and practical methods of them.
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
近年発展のめざましい人工知能の根幹をなす機械学習・深層学習を基礎知識と実践的知識の習得を行う．特にニューラルネットや深層学習にスポットを当て，原理の理解と応用の方法を学ぶ．最終的には，それらの先端的な人工知能の技術の基礎的な理解および応用技術の理解を目的として講義を行う．
到達目標Goal
機械学習・深層学習に関して，基礎と応用手法の十分な理解を到達目標とする．
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」と「DP2」と「DP4」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，実際のソースコード(py)を見ながら解説を行う．実際にノートPCを使ってプログラムを実行してみる時間をとることにより、講義内容の理解を深める。小課題のフィードバックについては，授業で講評する．
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
※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：イントロ・環境導入
本講義の概要について説明する。また，環境を導入する．
2：画像処理入門
画像を計算機でどのように取り扱うかについて，講義する.実践手法として python のライブラリである numpy を概説する．
3：自然言語処理入門
自然言語を処理するための基礎知識について，講義する．
4：機械学習１(分類)
SVMやロジスティック回帰を中心に，分類問題を解く方法について講義する．
5：機械学習２(回帰と勾配法）
線形回帰を対象に，勾配法を用いた学習手法について講義する．
6：機械学習３（自動微分と確率的勾配降下法）
自動微分と確率的勾配降下法を用いて線形回帰のパラメータを学習する手法を講義する．実践手法としてpytorch を導入する．
7：マルチレイヤパーセプトロン
分類問題に対して，マルチレイヤパーセプトロンを用いた手法と，それを学習する手法について講義する．
8：深層学習１（畳み込みニューラルネットワーク１）
画像認識技術において中心的役割を担う畳み込みニューラルネットワークについて講義する．
9：深層学習２（畳み込みニューラルネットワーク２）
畳み込みニューラルネットワークを画像認識に適用する際の，層構造など，詳細について講義する．また，転移学習についても触れる．
10：深層学習３（畳み込みニューラルネットワーク３）
深層学習を用いた画像のセグメンテーション・領域検出の技術について講義する．
11：深層学習４（単語の埋め込み表現)
Word2Vec などの，単語をベクトル空間内に埋め込む手法について講義する．また，それらを用いた文書分類の方法について説明する．
12：深層学習５（リカレントニューラルネットワーク)
リカレントニューラルネットワークを用いた自然言語処理の手法を，テキスト生成や機械翻訳を例にとり講義する．
13：深層学習６（アテンションモデル)
文を細かいピースに分割する手法，および，BERTに代表される，アテンション機構を用いた文の埋め込み表現の獲得手法について講義する．
14：今後の課題
将来大きく発展することが期待できる技術として，敵対的生成ネットワークについて概説を行う．
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・復習等の授業時間外学習は、4時間を標準とする】受講学生は、講義内容について、事前に教科書を読み基礎知識を見つけるとともに、講義内容について復習を行う。
テキスト（教科書）Textbooks
なし
参考書References
Ian Goodfellow et al.「深層学習」ASCII DWANGO
斎藤 康毅 著 「ゼロから作る Deep Learning - Python で学ぶディープラーニングの理論と実装」O’REILLY
成績評価の方法と基準Grading criteria
定期試験の結果(80％)と授業中の質疑応答や小課題(20%)により評価を行う。
学生の意見等からの気づきChanges following student comments
なし
学生が準備すべき機器他Equipment student needs to prepare
講義中に使うので，インターネットに接続可能な ノート PC を必ず持参すること．