[前へ戻る]
   

 授業科目
 Course Title
生物物理学特論
Biophysics
 担当者
 Instructor
准教授 宇佐見 義之  後学期 木曜日3時限
 単 位
 Credit
2

関連するディプロマポリシー Related Diploma Policy
時代の課題と社会の要請に応えた専門的知識と技能/Expert knowledge and skills to address the issues of the age and the demands of society
 
到達目標 Target to be Reached
 人工知能の基礎理論と実際の応用について学習する。1980年代から脳の情報処理にヒントを得た計算手法である神経回路網理論(ニューラルネットワーク)が研究されるようになった。この際に現代につながる基本的な神経回路網理論が出来た。2000年代になって、ネットによる大規模情報収集、グラフィクスカードによる並列計算、言語Pythonによるプログラム化及びソースプログラムの共有が行われるようになり、現在の人工知能革命の時代を迎えるようになった。本講義では、このような流れを理解し、最先端の人工知能の知識を学ぶことを目標とする。
 
授業内容 Course Content
 脳の構造と機能としては海馬における長期増強現象が知られており、数理的な理論を作る際に参考となる知見が得られている。これらに基づいて基本的な神経回路(ニューラルネット)を作る理論を解説する。次に、言語Pythonによって神経回路網をプログラムする手法について学ぶ。この基本的な人工知能理論をもとに応用事例について英語論文を読みながら最先端の技術について学ぶ。
 
授業計画 Course Planning
各回の講義内容は次のとおり。予習・復習合わせて各回あたり約4時間の自己学習を行うように。開講前やGWなどの休暇を有効に使って自己学習を行うのもよい。

1 神経回路網モデル1(パーセプトロン、ホップフィールドモデル)
2 神経回路網モデル2(バックプロパゲーション、最降下法)
3 ディープラーニング (多層神経回路網モデル。)
4 言語 Python によるディープラーニングの実装
5 様々なディープラーニングパッケージ(AI)の利用 (TensorFlow, Kerasなど。)
6 UNIX上でのGPU利用による人工知能計算の並列処理
7 ディープラーニングによる画像認識1 (数字認識 MINST)
8 ディープラーニングによる画像認識2 (画像認識コンテスト ILSVRC)
9 ディープラーニングによる画像認識3 (16層神経回路 vgg16)
10 ディープラーニングによる画像認識4 (19層神経回路 GoogLeNet)
11 キャプション生成 
12 自動翻訳(LSTM)
13 自動運転(レベル1、レベル2)
14 自動運転(レベル2、レベル3)


 
授業運営 Course Management
 資料を配布し、それに基づいて講義を進める。読み進める資料の半分は英語論文である。OSとしてUNIX, 言語としてC言語とPythonの基礎的な知識を持っていることが望ましい。リポジトリからpythonのパッケージをダウンロードし、自分でpythonプログラムを実行できるくらいの知識を有していれば更に良い。

 
評価方法 Evaluation Method
 授業内で行う演習の到達度と、レポートにより評価を行う。授業内の演習の到達度60%とレポート40%で100%として評価する。授業の出席数が極めて少ない場合、学習の到達目標に達することは困難となる。
 
 
オフィスアワー Office Hour (s)
 月曜3限及び木曜2限に研究室にて対応します。その他の時間についても研究室(6-412,5-422)に在室の場合はいつでも質問に応えます。
 


 
 
 
[前へ戻る]