山梨大学電子シラバス>検索結果一覧>授業データ



授業科目名 知的システムI
時間割番号 TCS318
担当教員名 服部 元信
開講学期・曜日・時限 前期・木・II 単位数 2
<対象学生>
(未登録)
<授業の目的>
 知的システムとは,人間の持つ知的な能力を機械によって実現する人工知能技術である.本講義では,人工知能の基本的な概念と技術を学ぶ.具体的には,種々の探索,知識表現,プランニング,機械学習について取り上げる.また,講義の後半では,人工知能の中でも極めて重要な一分野であるパターン認識を取り上げ,パターン認識の基礎的な理論,手法について学習する.
<本授業科目による獲得・涵養が特に期待されるコンピテンシー>(能力・資質)
工学部(~2023年度入学生)>コンピュータ理工学科向け
記号コンピテンシー(能力・資質) 
CS-A専門6.情報科学、及び、数学や自然科学等の知識と手法を用いて、以下のことができる。6a.解決すべき問題を形式化することができる。
CS-B6b.要求、時間、費用、資源等の制約条件を考慮した上で、複数の解が存在するような複雑な問題の中から適切な解を見つけ出すことができ
<到達目標>  到達目標とは
目標NO説明コンピテンシーとの対応
CS
1人工知能研究では,どのような考え方で人工的な知能の実現に取り組んできたかを説明できる.CS-A
2ブラインド探索の特徴を説明でき,具体的な問題に適用できる.CS-A
3ヒューリスティック探索,ゲーム木の探索のアルゴリズムを理解し,具体的な問題に適用できる.CS-B
4知識ベースシステムとは何かを説明できる.知識の分類について説明できる.具体的な知識を知識表現手法で表すことができる.CS-A
5プランニング手法について説明でき,具体的な問題に対してプランニングを適用できる.CS-A
6機械学習,決定木学習の特徴について説明できる.具体的な問題に対して決定木を構築できる.CS-B
7具体的な問題に対してナイーブベイズによる分類ができる.アンサンブル学習で性能が向上する理由について説明できる.基礎的なアンサンブル学習手法について説明できる.CS-B
8パターン認識とは何かを説明できる.具体的な問題に対して最近傍決定則を適用できる.CS-A
9低次元のパターン認識問題に対して,重み空間の解領域,特徴空間上の決定境界を示せる.パーセプトロンの学習則について理解し,プログラミングによって実装できる.CS-B
10最急降下法の原理,及びそれを用いた誤差逆伝播法の特徴について説明できる.CS-A
11ベイズ誤りとは何か,またそれが特徴の評価にとってどのような意味を持つのかを説明できる.CS-A
12サポートベクターマシンがどのような観点で識別面を決定するのかを説明できる.反復的学習法を理解しプログラミングによって実装できる.CS-B
13スケーリングや次元数の問題を説明できるようになること,線形判別法がどのような観点で識別面を決定するのかを説明でき,具体的な問題に対して線形判別法を適用できる.CS-A
<成績評価の方法>
目標No割合評価の観点
17%Quiz,小テスト,試験によって自らの言葉で説明できるか否かを評価する.
27%Quiz,小テスト,試験によって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
37%Quiz,小テスト,試験によって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
47%Quiz,小テスト,試験によって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
57%Quiz,小テスト,試験によって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
68%Quiz,小テスト,試験によって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
78%Quiz,小テスト,試験によって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
87%Quiz,小テスト,試験によって自らの言葉で説明できるか否かを評価する.
910%Quiz,小テスト,試験,レポートによって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
107%Quiz,小テスト,試験によって自らの言葉で説明できるか否かを評価する.
117%Quiz,小テスト,試験によって自らの言葉で説明できるか否かを評価する.
1210%Quiz,小テスト,試験,レポートによって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
138%Quiz,小テスト,試験によって自らの言葉で説明できるか,具体的な問題に適用できるか否かを評価する.
合計100% 
<授業の方法>
・ほぼすべての授業を反転授業形式で実施する.事前に講義動画を視聴し,穴埋め式講義ノートを完成させた上で,授業に臨むこと.
・授業時間の初めに,その回の講義内容の理解度を問うQuizにMoodle上で回答してもらうため,スマートフォンまたはPC等を毎回持参すること.
・Moodleに講義資料,Quiz,小テストと解答例,レポート課題,過去の試験問題と解答例を公開する.
<受講に際して・学生へのメッセージ>
・数学,プログラミングの知識が必要である.具体的には,微分積分学I,II,線形代数学I,II,離散数学,確率統計及び演習I,II,プログラミング基礎,同演習,プログラミング応用,同演習を履修していることが望ましい.
<テキスト>
  1. 馬場口登,山田誠二, 人工知能の基礎(第2版), オーム社, ISBN:978-4274216152,
    (授業の前半に関する内容)
<参考書>
  1. 石井健一郎 他, わかりやすいパターン認識(第2版), オーム社, ISBN:978-4274224508,
    (授業の後半に関する内容を8割程度カバー.)
<授業計画の概要>
1タイトル知的システム概説
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,通読する.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容人工知能研究の歴史について解説する.
人工知能研究では,どのような考え方で人工的な知能の実現に取り組んできたかを説明できるようになることが目標である.
2タイトル問題解決,ブラインド探索
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容問題解決のプロセスと問題解決の手法としてブラインド探索について解説する.
ブラインド探索の特徴を説明できること,並びに具体的な問題に適用できるようになることが目標である.
3タイトルヒューリスティック探索,ゲーム木の探索
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容探索手法の続きとして,ヒューリスティック探索,ゲーム木の探索について解説する.
これらの手法のアルゴリズムを理解し,具体的な問題に適用できるようになることが目標である.
4タイトル知識表現
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容知識ベースシステム,知識の分類,代表的な知識表現手法について解説する.
知識ベースシステムとは何かを説明できること,知識の分類について説明できること,具体的な知識を知識表現手法で表すことができるようになることが目標である.
5タイトルプランニング
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容基礎的なプランニング手法について解説する.
プランニング手法について説明できること,並びに具体的な問題に対してプランニングを適用できるようになることが目標である.
6タイトル決定木学習
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容機械学習とは何かを説明し,決定木学習の理論的背景と決定木構築方法を解説する.
機械学習,決定木学習の特徴について説明できること,また具体的な問題に対して決定木を構築できるようになることが目標である.
7タイトルナイーブベイズ学習,アンサンブル学習
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.第1~7回の内容について復習する.
授業内容ナイーブベイズ識別法の理論的背景,アンサンブル学習の理論と具体的な手法について解説する.
具体的な問題に対してナイーブベイズによる分類ができるようになること,アンサンブル学習で性能が向上する理由について説明できること,基礎的なアンサンブル学習手法について説明できることが目標である.
8タイトル中間評価(前半の総括とまとめ)
事前学習
事後学習
事前学習:第1~7回の内容について復習する.
事後学習:解答例を通して第1~7回の内容の理解度を確認する
授業内容第1~7回までの授業の達成目標を確認する試験を行う.解答例を配布し,評価の観点について説明する.
9タイトルパターン認識とは
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,通読する.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容パターン認識とは何かについて解説し,具体的な手法として最近傍決定則を紹介する.
パターン認識とは何かを説明できるようになること,具体的な問題に対して最近傍決定則を適用できるようになることが目標である.
10タイトル学習と識別関数
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.レポート課題1に取り組む.
授業内容線形識別関数を用いた識別関数法としてパーセプトロンについて解説する.
低次元のパターン認識問題に対して,重み空間の解領域,特徴空間上の決定境界を示せるようになること,また,パーセプトロンの学習則について理解し,プログラミングによって実装できるようになることが目標である.
11タイトル誤差逆伝播法
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容多層ニューラルネットワークを紹介し,その学習法として誤差逆伝播法を導出する.
最急降下法の原理,及びそれを用いた誤差逆伝播法の特徴について説明できるようになることが目標である.
12タイトル特徴の評価
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.
授業内容ベイズ誤り確率の概念について解説し,その推定方法を説明する.
ベイズ誤りとは何か,またそれが特徴の評価にとってどのような意味を持つのかを説明できるようになることが目標である.
13タイトルサポートベクターマシン
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.レポート課題2に取り組む.
授業内容特徴空間における最適な識別面について考察し,サポートベクターマシンを定式化する.また,反復的な学習法を導出する.
サポートベクターマシンがどのような観点で識別面を決定するのかを説明できるようになること,また反復的学習法を理解しプログラミングによって実装できるようになることが目標である.
14タイトル線形判別法
事前学習
事後学習
事前学習:Moodleから穴埋め式講義ノートを入手し,講義動画を視聴して完成させる.
事後学習:授業内容に関するQuizと小テストで理解度を確認する.英語課題に取り組む.
授業内容特徴空間におけるスケーリングと次元数の問題について解説する.また,線形判別法を導出する.
スケーリングや次元数の問題を説明できるようになること,線形判別法がどのような観点で識別面を決定するのかを説明できるようになること,具体的な問題に対して線形判別法を適用できるようになることが目標である.
15タイトル最終評価(後半の総括とまとめ)
事前学習
事後学習
事前学習:第9~14回の内容について復習する.
事後学習:解答例を通して第9~14回の内容の理解度を確認する
授業内容第9~14回までの授業の達成目標を確認する試験を行う.解答例を配布し,評価の観点について説明する.
<前年度授業に対する改善要望等への対応>
前年度の改善要望に対応し,授業時間中には講義動画の復習に割く時間を少なくし,Quiz,小テスト等にできるだけ多くの時間を確保する.
<備考>
(未登録)