|
授業科目名
|
担当教員
|
|||||||||||||||||||||
|
言語・画像メディア処理特論
|
福本 文代／古屋 貴彦／李 吉屹
|
|||||||||||||||||||||
|
時間割番号
|
単位数
|
コース
|
履修年次
|
期別
|
曜日
|
時限
|
||||||||||||||||
| GTK511 | 2 | (未登録) | 1 | 前期 | 水 | III | ||||||||||||||||
| ［概要と目標］ | ||||||||||||||||||||||
| 本授業ではテキスト、及び2次元画像の解析に焦点をあて、深層学習、画像処理などを用 いて実現する方法を学ぶ。 (オムニバス方式/全15回） (福本文代/5回）（古屋貴彦/5回）（李吉屹/5回） 授業前半及び中盤は、テキストの解析・生成に焦点をあて、近年主流となっている深層学 習を用いた手法を解説する。テキスト処理について概説した後、本授業の演習で用いる Python, 深層学習の基礎を学ぶ。次に語の表現方法の一つである分散表現Word2Vecにつ いてその必要性と仕組みを演習を交えて理解する。 授業中盤では、テキストの解析手法としてリカレントニューラルネットワークと言語モデ ル、及びWord2Vecの発展形であるBERTをアテンションとトランスフォーマーを交えて 概説する。次にニューラル言語生成について学ぶ。最後に人間と計算機の組合せにより難 しい問題を解決するための方法論を概説する。 授業後半は画像などのビジュアル情報の解析に焦点を充てる。具体的には、機械学習（主に深層学習）を用いて2次元画像データから特徴を抽出し、この特徴に基づいて画像を解析する技術を中心に学ぶ。 なお、本授業はコンピュータ理工学コースのディプロマポリシーで定めた専門知識・技術(C3)に対応する。 |
||||||||||||||||||||||
| [到達目標] | ||||||||||||||||||||||
|
１．テキストを解析する手法を理解し説明できる。 ２．人間と計算機の協調的問題解決を目指すクラウドソーシングとヒューマンコンピュテーションという分野と技術を知っている。 ３．深層学習による画像解析、分類手法を理解し、説明・実装できる。 |
||||||||||||||||||||||
| ［必要知識・準備］ | ||||||||||||||||||||||
| 線形代数、微積分学などの数学、プログラミングのスキル、アルゴリズムとデータ構造に関する知識が必要である。また、画像の表現やその基本的なフィルタリングの基礎知識を持っていることが望ましい。また，クラスタリング、サポートベクトルマシン，ニューラルネットワークなどの機械学習の基礎知識があるとよい。 後半の課題ではプログラミング言語としてPhtyonを想定する。（Pythonは未経験でも、Java、C++などの言語によるプログラミングスキルがあれば、本授業で使う程度のPython言語は自習できるはず。） |
||||||||||||||||||||||
| ［評価基準］ | ||||||||||||||||||||||
|
||||||||||||||||||||||
| ［教科書］ | ||||||||||||||||||||||
| (未登録) | ||||||||||||||||||||||
| ［参考書］ | ||||||||||||||||||||||
| (未登録) | ||||||||||||||||||||||
| ［講義項目］ | ||||||||||||||||||||||
| １．導入，深層学習と自然言語処理 ２．Colab, Python 導入， ３. Neural Networkによる分類 (実習) ４．語彙の分散表現 ５．語彙の分散表現 (実習) ６．自然言語処理向けリカレントニューラルネットワークと言語モデル ７．自然言語処理向けアテンションとトランスフォーマー ８．自然言語処理向け事前学習 ９．自然言語処理向けニューラル言語生成 １０．クラウドソーシングとヒューマンコンピュテーション １１．人間の視覚、2D画像のデータ表現 １２．2D画像解析向け深層ニューラルネットワークの構造 １３．2D画像解析向け深層ニューラルネットワークの効果的な学習 １４．2D画像解析技術の発展 １５．3D形状解析向け深層ニューラルネットワーク |
||||||||||||||||||||||
| ［前年度授業に対する改善要望等への対応］ | ||||||||||||||||||||||
| 担当者変更 | ||||||||||||||||||||||