授業科目名				担当教員
マルチメディア工学				西崎　博光
時間割番号	単位数	コース	履修年次	期別	曜日	時限
TJM315	2	(未登録)	3,4	前期	金	III
［概要］
情情報通信技術（ICT）の進化とともに，音声（音）・テキスト（文字）・画像（映像）といった情報メディアを対象とした処理技術も急速に発展している．Web検索や音声認識などがその代表技術であると言える．近年，人工知能という言葉が広く一般に浸透しているが，人工知能の根幹をなすのが，これらマルチメディア情報を対象とした深層学習（ニューラルネットワーク）技術である．これからの「ものづくり」では，機械や電気の知識だけではなく，人工知能・メディア情報処理の知識も必要となることは必然である．よって本講義では，マルチメディア情報（音声（音）・自然言語・画像）を対象とした深層学習技術について，演習を交えながら，知識を習得することを目指す．
［具体的な達成目標］
１．音声・テキスト・画像データをコンピュータで処理する基本的な技術・手法を習得し，これらの情報処理技術が利用できるようになること ２．（統計的）機械学習の基礎を学び，これらを用いることでマルチメディア処理分野における諸問題が解決できるようになること ３．マルチメディア情報を扱う情報処理を理解し，これに関しての人工知能技術を習得すること
［必要知識・準備］
情報理論，確率統計学（数学），線形代数，プログラミングの基礎知識があると学びやすい．人工知能に関するプログラミング課題を課す予定であるため，プログラミングスキルは必須である．なおプログラミング言語にはPythonを用いる．
［評価方法・評価基準］
No 評価項目 割合 評価の観点 1 試験：中間期  50  % 深層学習に関しての知識が身についているかどうかを問う  2 小テスト／レポート  50  % 自分で作ったデータを用いた深層学習行い，レポートにまとめる
［教科書］
(未登録)
［参考書］
牧野浩二ほか, 算数＆ラズパイから始めるディープ・ラーニング, CQ出版社 斎藤康毅, 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, オライリー・ジャパン, ISBN:4873117585 中井悦司, TensorFlowとKerasで動かしながら学ぶ ディープラーニングの仕組み, マイナビ出版, ISBN:4839970270
［講義項目］
1. イントロダクション：マルチメディア工学概要と人工知能 2. Pythonプログラミング入門 3. ニューラルネットワークを用いた機械学習 4. ニューラルネットワークプログラミング基礎 5. 画像に対するニューラルネットワーク 6. 画像に強い、畳み込みニューラルネットワーク 7. 画像処理：抵抗器分類・回帰モデル 8. 中間まとめ，データ拡張技術 9. 時系列データに対するニューラルネットワーク 10. 音声信号処理基礎 11. 音声信号の分類：話者認識・単語分類 12. ニューラルネットワークを使った自動作文 13. エンコーダ・デコーダモデルによる機械翻訳 14. 敵対的生成ネットワークをを用いた画像の自動生成 15. 訓練データの作成とオリジナルタスク（レポート） ※進捗状況や学生の理解度に合わせて内容を修正する場合もあります．
［教育方法］
基本的には，端末室を用いて，実際にプログラミングを行うことで知識の定着を図る，アクティブラーニングを実施する。場合によっては，事前学習ビデオに基づく反転授業を行うこともある。
［JABEEプログラムの学習・教育目標との対応］
(未登録)
［その他］
(未登録)