文理学部シラバスTOP > 大学院博士前期課程 > 地球情報数理科学専攻 > コンピュータ科学特論Ⅰ
日本大学ロゴ

コンピュータ科学特論Ⅰ

このページを印刷する

令和２年度以降入学者 コンピュータ科学特論Ⅰ
教員名 中原泳青
単位数    2 課程 前期課程 開講区分 文理学部
科目群 地球情報数理科学専攻
学期 前期 履修区分 選択必修
授業形態 対面授業
Canvas LMSコースID・コース名称 X0176138　2024コンピュータ科学特論Ⅰ（中原泳青・前・水5）
授業概要 画像認識処理及び深層学習入門

本講義の前半ではディープラーニングによる画像認識処理の基礎知識を学び、主要なディープラーニングアルゴリズムとニューラルネットワークをトレーニングするための概念をカバーする。後半では最新論文の輪読を通して画像分類と認識、物体検出と分割に関する最新研究動向を調査する．また、プログラミングのレポート課題を通して、実際のディープラーニングを用いた画像分析タスクについて学ぶ。
授業のねらい・到達目標 画像認識処理の基礎を理解する。
また、画像認識タスクへの応用を通して、深層学習を実装するための様々なアイデア・テクニックを身につけることで、色々なタスクを深層学習で問題解決に応用できるようになる。
授業の形式 講義、演習
授業の方法 第1回目授業までに，本授業の Google Classroom 及び本授業用 Google Chat スペースに参加すること。
参加方法は Canvas LMS にて告知する．なお、Canvas LMS をこの目的以外に使用することはない。

本講義の前半ではディープラーニングによる画像認識処理の基礎知識を学ぶ.後半ではてPytorchを中心に深層学習ライブラリーを実装し、プログラミングのレポート課題を通して、実際のディープラーニングを用いた画像分析タスクについて学ぶ。
レポートを課す課題では、総評を行うことでフィードバックを与える。

オンライン参加が認められた場合の受講方法：授業時間帯にZoomにて授業に参加する。
授業計画
1 ガイダンス（授業のテーマや到達目標及び授業の方法について説明する）
演習環境の整備
【事前学習】シラバスを確認し, 当該分野に関する簡単な調査を行う （2時間）
【事後学習】演習環境を設定する （2時間）
【授業形態】対面授業
2 機械学習とdeep learningの基礎知識
【事前学習】機械学習とdeep learningの基礎知識について事前に確認する （2時間）
【事後学習】機械学習とdeep learningの基礎知識に関する課題に取り組む （2時間）
【授業形態】対面授業
3 機械学習プログラミング実装環境整備：python, pytorchのインストール
【事前学習】実装環境整備に関する資料を通読し，内容を簡単にまとめる （2時間）
【事後学習】実装環境整備に関する学修内容を振り返り，知識・技術の定着を図る （2時間）
【授業形態】対面授業
4 線形識別関数による2クラスと多クラスの分類
【事前学習】線形識別関数による2クラスと多クラスの分類について事前に確認する （2時間）
【事後学習】線形識別関数による2クラスと多クラスの分類に関する課題に取り組む （2時間）
【授業形態】対面授業
5 単層パーセプトロンから多層パーセプトロンへ
【事前学習】単層パーセプトロンから多層パーセプトロンへについて事前に取り組む （2時間）
【事後学習】単層パーセプトロンから多層パーセプトロンへに関する課題に取り組む （2時間）
【授業形態】課題研究
6 各種活性化関数
【事前学習】各種活性化関数について事前に取り組む （2時間）
【事後学習】各種活性化関数に関する課題に取り組む （2時間）
【授業形態】対面授業
7 各種損失関数を用いた学習アルゴリズムとその実装
【事前学習】各種損失関数を用いた学習アルゴリズムとその実装について事前に取り組む （2時間）
【事後学習】各種損失関数を用いた学習アルゴリズムとその実装に関する課題に取り組む （2時間）
【授業形態】対面授業
8 誤差逆伝播法とその実装
【事前学習】誤差逆伝播法とその実装について事前に取り組む （2時間）
【事後学習】誤差逆伝播法とその実装に関する課題に取り組む （2時間）
【授業形態】対面授業
9 畳み込みニューラルネットワーク(CNN)とその実装
【事前学習】畳み込みニューラルネットワーク(CNN)とその実装について事前に確認する （2時間）
【事後学習】畳み込みニューラルネットワーク(CNN)とその実装に関する課題に取り組む （2時間）
【授業形態】オンデマンド型授業
10 Deep Learning応用(1)：Softmax回帰と画像分類への応用例
【事前学習】Deep Learning応用(1)：Softmax回帰と画像分類への応用例について事前に確認する （2時間）
【事後学習】Deep Learning応用(1)：Softmax回帰と画像分類への応用例に関する課題に取り組む （2時間）
【授業形態】対面授業
11 Deep Learning応用(2)：画像分類と物体検出の基礎知識
【事前学習】Deep Learning応用(2)：画像分類と物体検出の基礎知識について事前に確認する （2時間）
【事後学習】Deep Learning応用(2)：画像分類と物体検出の基礎知識に関する課題に取り組む （2時間）
【授業形態】対面授業
12 Deep Learning応用(3)：画像分類と物体検出に関る簡易モデル構築
【事前学習】Deep Learning応用(3)：画像分類と物体検出に関る簡易モデル構築について事前に確認する （2時間）
【事後学習】Deep Learning応用(3)：画像分類と物体検出に関る簡易モデル構築に関する課題に取り組む （2時間）
【授業形態】対面授業
13 Deep Learning応用(4)：画像分類と物体検出に関る簡易モデルを用いた推定実験
【事前学習】画像分類と物体検出に関る簡易モデルを用いた推定実験について事前に確認する （2時間）
【事後学習】画像分類と物体検出に関る簡易モデルを用いた推定実験に関する課題に取り組む （2時間）
【授業形態】対面授業
14 Deep Learning応用(5)：アテンション機構とTransformer
【事前学習】アテンション機構とTransformer について事前に確認する （2時間）
【事後学習】アテンション機構とTransformerに関する課題に取り組む （2時間）
【授業形態】対面授業
15 期末報告会と講評/質疑応答など
まとめ（これまでの復習・解説を行い授業の理解を深める）
【事前学習】報告会用の発表資料を準備する （2時間）
【事後学習】発表と議論を振り返り，今後の発展について考察する （2時間）
【授業形態】対面授業
その他
教科書 使用しない
参考書 講義時に資料を配布する．
参考書等は，随時指定する．また一部，オンライン教材を利用する予定である．
成績評価の方法及び基準 レポート:提出された講義外の制作物（証明・プログラムソースコード）及びその解説・解析内容により評価する．(40%)、授業参画度:提出された講義中の制作物（証明・プログラムソースコード）により評価する．(60%)
Google Classroom, Google Drive, Google Chat でコミュニケーションを行う．
原則として，Blackboard と Slack は使用しない．
オフィスアワー 随時，Google Chat で受け付ける．
なお，対面を希望する場合は事前に Google Chat でで予約すること．

↑このページのトップ