理工学部Faculty of Science and Engineering
COT300XE（計算基盤 / Computing technologies 300）パターン認識Pattern recognition
森 稔Minoru MORI
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 | H6068 |
| 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4/Mon.4 |
| 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 |
応用情報工学科 学科専門科目 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
Computers recognize images or signals by handling information to be undestood as patterns. This course introduces theories and methods of pattern recognition such as image recognition to students taking this course.
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
人間が行っている「識別」や「理解」という高度知的情報処理は、視覚や聴覚といった各種の外部刺激を脳で解析し行われている。コンピュータによってこれらの情報を処理する場合、解析対象となる各種の情報をすべてを情報列「パターン」として扱うことになる。本講義では、各種パターンをどのように解析、処理することで、さまざまな対象の「識別」や「認識」が可能となるのかについて、その概要（理論、方法）を学ぶ。
到達目標Goal
様々な対象の「識別」や「認識」を目的として、パターンをどのように取得、解析し、処理していくかについての概要（理論、方法）を学び、実際に自分の興味のある識別、認識問題に対して、アプローチしていく基礎知識を身につける。
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. ）
コンピュータによる「認識」や「理解」といった知的処理の実現には、大まかに、(1)対象の読み取り、(2)対象の特徴量抽出（記述）、(3)特徴量による分類（識別）、という段階に分けられる。本講義では、これらの(1)から(3)の過程について、理論および実際のシステムの実現例を紹介しながら解説する。
授業中に出した演習問題については、授業内で解説若しくは授業後に回答を掲示し、正否及び解き方などを確認可能とする。
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回目：パターン認識とは
・パターン認識処理の構成
・人工知能・機械学習との位置づけ
・最近の動向
2回目：デジタル画像処理
・アナログとデジタル
・標本化と量子化
・周波数領域での処理
・閾値処理
3回目：色彩情報
・色の知覚
・色の表現
4回目：特徴の記述・その1
・エッジ検出
・線の検出
・領域分割
5回目：特徴の記述・その2
・勾配ベースの特徴
・大きさ・位置に不変な特徴（SIFT)
6回目：パターン照合による識別
・クラス識別の概念
・特徴ベクトルと特徴空間
・最近傍決定測
・単純類似度法
・マハラノビス距離
7回目：ベイズ
・教師有り学習
・ベイズ理論
・ナイーブベイズ
8回目：決定木
・決定木の概要
・分割規則
・剪定
9回目：集団学習（アンサンブル学習）
・バギング
・ブースティング
10回目：Support Vector Machine
・線形SVM
・カーネルトリック
・非線形SVM
11回目：ニューラルネットワーク・その1
・形式ニューロン
・パーセプトロン
12回目：ニューラルネットワーク・その2
・多層パーセプトロン
・活性化関数
・誤差逆伝搬法
13回目：ニューラルネットワーク・その3
・ディープニューラルネットワーク
・畳み込みニューラルネットワーク
14回目：ニューラルネットワーク・その4、及び課題
・ディープニューラルネットワークの各種展開
・期末課題の説明
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】
本格的に理解するには、自分でプログラミングできる方が望ましく、Python等の開発言語を身につけておき、自分で確かめられると良い。
テキスト（教科書）Textbooks
特定の教科書は特に定めない。必要に応じて、ファイルを配布する。
参考書References
・石井健一郎他 「わかりやすいパターン認識」 オーム社
・田村秀行 「コンピュータ画像処理」 オーム社
・原田達也 「画像認識」 講談社
・斎藤 康毅 「ゼロから作るDeep Learning」 オライリージャパン
その他、必要に応じて講義中に紹介する。
成績評価の方法と基準Grading criteria
中間及び期末レポート（70％）
平常点（30％）
特に理由がない限り、出席率が3分の2(9回)以上を前提とする。
学生の意見等からの気づきChanges following student comments
サンプルプログラムの説明・実行や、実サービスの応用例など、興味を持てる内容や課題を増やす。
学生が準備すべき機器他Equipment student needs to prepare
ノートPCを持参のこと（Pythonの実行環境がインストールされていると良い）。
その他の重要事項Others
企業にて研究・開発・企画等の各種勤務経験のある講師が、基本から最先端に至る理論・技術に関する講義を行うと共に、企業における利用状況や研究開発の在り方などについても紹介する。
オンラインでの開講となった場合、オンライン授業の方法や授業計画の変更、成績評価方法の変更などについては、学習支援システムでその都度提示する。担当教員から学習支援システムを通じた連絡がないか、日ごろからよく確認するようにして下さい。