東京理科大学　研究者情報データベース　

卒業研究２ＩＡ卒研２（原田）のシラバス情報

科目名称 Course title(Japanese)	卒業研究２	科目番号 Course number	74UGRES402
科目名称（英語） Course title(English)	Bachelor Thesis 2
授業名称 Class name	卒業研究２ＩＡ卒研２（原田）

教員名	原田　拓
Instructor	Taku Harada

開講年度学期	2022年度後期
Year/Semester	2022/Second Semester

曜日時限	集中講義
Class hours	Intensive Course

開講学科 Department	理工学部　経営工学科 Department of Industrial Administration
外国語のみの科目（使用言語） Course in only foreign languages (languages)	-

単位 Course credit	4.0	授業の主な実施形態 Main class format	対面授業/On-site class

概要 Descriptions	卒業研究１で行った研究内容を基礎として，人工知能システムについての課題を解決する方法について研究し，その成果を発表する．
目的 Objectives	情報システムの知能化を実現するために，アルゴリズムの設計や具体的な実用システムの構築を行うための知識を習得する．本科目は，本学科のディプロマ・ポリシー「修得した専門知識や教養をもとに、自ら課題を発見し、解決する能力。」に該当する科目である．
到達目標 Outcomes	対象とする分野の課題を発見し，その課題を解決する能力を身に付けることができるようになる．
履修上の注意 Course notes prerequisites	卒業研究１を合格した者のみ履修が可能であり，同一年度は卒業研究１と同じ研究室にて当該科目を履修するものとする．

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	〇	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	〇	グループワーク Group work	-
プレゼンテーション Presentation	〇	反転授業 Flipped classroom	-
その他（自由記述） Other（Describe）	-

準備学習・復習 Preparation and review	研究打ち合わせの準備と復習を十分に行うこと．
成績評価方法 Performance grading policy	研究室での指導をすべて受けていて提出物が所定の基準を満たしていることを前提とし，研究の経過・成果・提出物・発表等の結果で評価する．
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	適宜紹介する．

授業計画 Class plan	「最適化」や「機械学習」を用いて，人工知能システムの設計・開発に関する研究を行う．主な卒業研究テーマは以下の通りである．【最適化】実社会での最適化問題は，最適解の精度だけではなく，多様な特徴をもつ最適解を求めることが要求される．このような最適化問題に対して，主に進化計算（遺伝的アルゴリズム，粒子群最適化，他）という生物の振る舞いを模擬した手法を基礎として最適化アルゴリズムを設計，応用する．（研究テーマ例）・非線形システムに対する最適化アルゴリズムの設計・多目的最適化アルゴリズムの設計・シフトスケジューリングの最適化・エネルギーシステムの最適化・道路交通システムの最適化【機械学習】機械学習の主な手法として「教師なし学習」・「教師あり学習」・「強化学習」がある．これらに関して研究を行う．教師なし学習では，主に敵対的生成ネットワークを基礎として，画像を生成する．教師あり学習では，主にニューラルネットワーク，サポートベクタマシン，ランダムフォレストを基礎として，新たな知識を発見する．強化学習では，主に深層強化学習（ディープラーニングと強化学習を併せた学習手法）を基礎として，複雑な制御方法を学習する．（研究テーマ例）・強化学習アルゴリズムの設計・説明可能なAI ・画像生成・画像認識・医療データ解析・道路交通信号機制御・エネルギー取引市場における取引行動の学習・株式取引市場における取引行動の学習・時系列データ予測卒業研究１で行った研究内容を基礎として，以下の計画を基本として研究を行う． 1－5．詳細なアルゴリズムの設計やモデルの設計を行う． 6－10．設計したアルゴリズムやモデルを実装する． 11－14．評価実験などを行い，設計したアルゴリズムやモデルを評価する．そして，評価実験の結果を踏まえて，アルゴリズムやモデルを改善する． 15．研究内容をまとめ，発表を行う．

授業計画
Class plan

「最適化」や「機械学習」を用いて，人工知能システムの設計・開発に関する研究を行う．主な卒業研究テーマは以下の通りである．

【最適化】
実社会での最適化問題は，最適解の精度だけではなく，多様な特徴をもつ最適解を求めることが要求される．このような最適化問題に対して，主に進化計算（遺伝的アルゴリズム，粒子群最適化，他）という生物の振る舞いを模擬した手法を基礎として最適化アルゴリズムを設計，応用する．
（研究テーマ例）
・非線形システムに対する最適化アルゴリズムの設計
・多目的最適化アルゴリズムの設計
・シフトスケジューリングの最適化
・エネルギーシステムの最適化
・道路交通システムの最適化

【機械学習】
機械学習の主な手法として「教師なし学習」・「教師あり学習」・「強化学習」がある．これらに関して研究を行う．教師なし学習では，主に敵対的生成ネットワークを基礎として，画像を生成する．教師あり学習では，主にニューラルネットワーク，サポートベクタマシン，ランダムフォレストを基礎として，新たな知識を発見する．強化学習では，主に深層強化学習（ディープラーニングと強化学習を併せた学習手法）を基礎として，複雑な制御方法を学習する．
（研究テーマ例）
・強化学習アルゴリズムの設計
・説明可能なAI
・画像生成
・画像認識
・医療データ解析
・道路交通信号機制御
・エネルギー取引市場における取引行動の学習
・株式取引市場における取引行動の学習
・時系列データ予測

卒業研究１で行った研究内容を基礎として，以下の計画を基本として研究を行う．

1－5．
詳細なアルゴリズムの設計やモデルの設計を行う．

6－10．
設計したアルゴリズムやモデルを実装する．

11－14．
評価実験などを行い，設計したアルゴリズムやモデルを評価する．
そして，評価実験の結果を踏まえて，アルゴリズムやモデルを改善する．

15．
研究内容をまとめ，発表を行う．

教職課程 Teacher-training course	-
実務経験 Practical experience	-
教育用ソフトウェア Educational software	-

備考 Remarks	-

9974832