ニューロコンピューティング特論のシラバス情報

科目名称
Course title(Japanese)
ニューロコンピューティング特論 科目番号
Course number
43ICDAS601
科目名称(英語)
Course title(English)
Advanced Neurocomputing
授業名称
Class name
ニューロコンピューティング特論
教員名 長谷川 幹雄
Instructor Mikio Hasegawa
開講年度学期 2022年度 前期
Year/Semester 2022/1st semester
曜日時限 月曜6限
Class hours
開講学科
Department
工学研究科  Graduate School of Engineering
電気工学専攻 Department of Electrical Engineering
外国語のみの科目
(使用言語)
Course in only foreign
languages (languages)
-
単位
Course credit
2.0 授業の主な実施形態
Main class format
ハイフレックス型授業/Hybrid-Flexible format
概要
Descriptions
ニューラルネットワークやカオスなどの非線形力学系に基づいた、学習アルゴリズム、最適化アルゴリズム、時系列データ解析手法の基礎理論を学び、与えられたデータからモデルを作る方法や、目的関数を最適化したりするアルゴリズムを構築法を学ぶ。
目的
Objectives
ニューラルネットワークを用いた学習アルゴリズムや最適化アルゴリズムを構築できるようになることを目的とする。
到達目標
Outcomes
得られたデータから入出力モデルを作成する階層型ニューラルネットワークを設計できるようになる。
与えられた目的関数を最適化するニューラルネットワークを設計出来るようになる。 
履修上の注意
Course notes prerequisites
アクティブ・ラーニング科目
Teaching type(Active Learning)
課題に対する作文
Essay
- 小テストの実施
Quiz type test
ディベート・ディスカッション
Debate/Discussion
- グループワーク
Group work
-
プレゼンテーション
Presentation
- 反転授業
Flipped classroom
-
その他(自由記述)
Other(Describe)
-
準備学習・復習
Preparation and review
授業計画に沿って準備学習を行い、授業内容の復習を行うこと。 
成績評価方法
Performance grading
policy
講義中の小テスト(100%)
学修成果の評価
Evaluation of academic
achievement
・S:到達目標を十分に達成し、極めて優秀な成果を収めている
・A:到達目標を十分に達成している
・B:到達目標を達成している
・C:到達目標を最低限達成している
・D:到達目標を達成していない
・-:学修成果の評価を判断する要件を欠格している

・S:Achieved outcomes, excellent result
・A:Achieved outcomes, good result
・B:Achieved outcomes
・C:Minimally achieved outcomes
・D:Did not achieve outcomes
・-:Failed to meet even the minimal requirements for evaluation
教科書
Textbooks/Readings
・教科書を使用する場合は、MyKiTS(教科書販売サイト)から検索・購入可能ですので以下のURLにアクセスしてください。
https://gomykits.kinokuniya.co.jp/tokyorika/
 
・Search and purchase the necessary textbooks from MyKiTS (textbook sales site) with the link below.
https://gomykits.kinokuniya.co.jp/tokyorika/
参考書・その他資料
Reference and other materials
講義中に紹介する。
授業計画
Class plan
1.ニューロコンピューティングの概要
 内容:ニューラル情報処理に関する研究分野全体の動向概要、それらの応用事例について学ぶ。

2.脳内での情報伝達と様々なモデル
 内容:実際の脳の中の神経の振る舞いについて学び、情報がどのようにして伝達していくかを理解する。その振る舞いを模擬した数理モデルであるニューロンモデルを複数学び、それらの特徴を理解する。      

3.ニューラルネットワークを用いた学習アルゴリズム
 内容:ニューラルネットワークの最も基本的な応用例である機械学習について学ぶ。階層型ニューラルネットワークを用いた学習アルゴリズムについて、その概要と使い方を理解する。
  
4.バックプロパゲーション
内容:バックプロパゲーションによる学習アルゴリズムについて、その理論と学習アルゴリズムを理解する。

5.サポートベクトルマシン
 内容:サポートベクトルマシンによる学習アルゴリズムについて、その理論と学習アルゴリズムを理解する。

6.相互結合型ニューラルネットワーク
 内容:相互結合型ニューラルネットワークの特徴とその応用方法について理解する。連想メモリへの応用について、その基本的な動作としくみを学ぶ。

7.エネルギー関数
 内容:相互結合型ニューラルネットワークにおけるエネルギー関数について、その理論を理解する。

8.最適化への応用
 内容:相互結合型ニューラルネットワークを最適化問題に応用する方法について学ぶ。巡回セールスマン問題を例に、その応用の仕方を理解する。

9.カオス
 内容:実際の神経の中にも見られるカオスという現象について学ぶ。様々なモデルによって、カオスの基本的な特徴を理解する。

10.カオスの特徴量   
 内容:リアプノフ指数やフラクタル次元について、その理論と求め方について理解する。

11.高次元なカオス
 内容:高次元なカオスにおけるアトラクタの再構成のための手法を学び、実データの解析手法を理解する。
  
12.カオス時系列解析   
 内容:カオス理論に基づいた実データの時系列予測手法、および、サロゲートデータ法に基づいた解析手法ついて理解する。
 
13.カオスと最適化   
 内容:カオスを用いた解探索アルゴリズムの特徴と使い方を理解する。カオスニューラルネットワークを用いた場合に生ずる特有な現象とその特徴について学ぶ。

14.カオスを用いた情報通信   
 内容:カオス信号を用いた暗号や通信方式の特徴について学ぶ。

15.まとめ

[授業外学習の課題]
レポート課題を通して、講義内容の理解を深める。
講義ノートと配布資料を復習し、理解を深める。
教職課程
Teacher-training course
実務経験
Practical experience
長谷川:通信関連研究所の勤務経験を活かし講義する 
教育用ソフトウェア
Educational software
-
備考
Remarks
994D10A
CLOSE