授業科目名 年度 学期 開講曜日・時限 学部・研究科 全担当教員 単位数
32877:[2025 秋セメスター]ＡＩ・機械学習 (6T) 2025 秋セメスター 火3 理工学部 中山 良平 2

キャンパス

BKC

授業施設

コラーニングⅠ情報処理Ｃ２２

授業で利用する言語

日本語

授業の概要と方法

　近年，深層学習により人工知能（AI：Artificial Intelligence）が劇的に進化を遂げ，様々な分野においてニーズが高まっている．本講義では，画像情報中心に，AIの基礎知識について機械学習から深層学習まで，MATLABで応用例を示しながら解説する．また，知識の深化のためMATLABによるプログラミングで実装する．PCが利用可能な情報教室で実施するが，自分のPCが良い場合はMATLABをインストールしたPC（WIndows／Macいずれも可）を持参すること．

受講生の到達目標

　画像を中心とした機械学習，深層学習の基礎知識を身につけ，それぞれの専門分野でその知識を有効に利用できるようになることを目標とする．

事前に履修しておくことが望まれる科目

　計算機，信号処理，微分，線形代数，確率統計の知識がない人でも理解できるよう，復習も交えながら説明するが，それらの基礎的な知識を有していることが望ましい．また，機械学習，深層学習についての理解がより深まるので，プログラミング，メディア情報処理の講義を履修しておくことを勧める．

授業スケジュール

授業回数/
担当教員（複数担当の場合） 		テーマ
キーワード・文献・補足事項等
-

各回の課題の解説で+R授業を実施

1

人工知能の基礎知識

人工知能，機械学習，深層学習（ディープラーニング）とは

2

機械学習のワークフロー 1

データのラングリング

3

機械学習のワークフロー 2

次元削減，特徴量選択

4

機械学習のワークフロー 3

モデルの学習，検証，評価

5

回帰モデル 1

線形回帰モデル，最小二乗法，最尤法

6

回帰モデル 2

非線形回帰モデル，回帰木，正則化

7

中間テスト

中間テストと解説

8

分類モデル 1

ロジスティック回帰，線形判別分析，マハラノビスの距離

9

分類モデル 2

分類木，K-近傍法，サポートベクターマシン

10

ニューラルネットワークの基礎

ニューラルネットワーク，誤差逆伝播法

11

深層学習の基礎

畳み込みニューラルネットワーク

12

深層学習モデル 1

分類モデル

13

深層学習モデル 2

回帰モデル，分割モデル，物体検出モデル，生成モデル

14

確認テスト

確認テストと解説

授業実施形態

第1回～14回を対面授業にて実施

授業外学習の指示

講義前に配布するレジュメを使い復習に時間を割いて下さい．また，実際に自分でプログラミングし，実行することにより理解を深めてください．

成績評価方法

種別 割合(%) 評価基準等
定期試験（筆記） 0

レポート試験
（統一締切日を締切とするレポート）		 0

上記以外の試験・レポート、平常点評価
（日常的な授業における取組状況の評価）		 100

中間テスト，確認テスト時以外は毎回課題を実施する．
第7回，第14回は基礎技術の理解を問う中間／確認試験を実施し，課題と受講態度，試験結果を基に成績評価する．
・平常点：毎回課題 12回実施予定＋受講態度（30％）
・中間試験 1回実施予定（30％）
・確認試験 1回実施予定（40％）

成績評価方法(備考)

受講および研究に関するアドバイス

様々な応用例を示しながら，機械学習，深層学習の基礎を解説します．人工知能に興味がある方は，ぜひ受講し，研究に役立ててください．

教科書

教科書(使用頻度、その他補足)

講義前に，レジュメを配布

参考書

参考書(使用頻度、その他補足)

関連書籍は多数あるので，自分に合うものを探して学習に役立ててください．

参考になるwwwページ

授業内外における学生・教員間のコミュニケーションの方法

学生との直接対話,その他(教員より別途指示）

備考

自分が疑問に思ったこと，理解が難しかったことは，周りの人も同じように思っていることが多いです．遠慮せず，講義中に質問をしてもらえると周りの人の理解にもつながります．
【科目ナンバリング・カリキュラムマップはこちらから/Click here to see the Curriculum-Map and Course-Numbering】
URL:https://secure.ritsumei.ac.jp/students/pathways-future/course/curriculum.html/