日本語 English
| 開講年度/ Academic YearAcademic Year |
20262026 |
| 科目設置学部/ CollegeCollege |
人工知能科学研究科/Graduate School of Artificial Intelligence and ScienceGraduate School of Artificial Intelligence and Science |
| 科目コード等/ Course CodeCourse Code |
WR513/WR513WR513 |
| テーマ・サブタイトル等/ Theme・SubtitleTheme・Subtitle |
|
| 授業形態/ Class FormatClass Format |
オンライン（全回オンライン）/Online (all classes are online)Online (all classes are online) |
| 授業形態（補足事項）/ Class Format (Supplementary Items)Class Format (Supplementary Items) |
|
| 授業形式/ Class StyleCampus |
演習・ゼミ/SeminarSeminar |
| 校地/ CampusCampus |
池袋/IkebukuroIkebukuro |
| 学期/ SemesterSemester |
春学期他/Spring OthersSpring Others |
| 曜日時限・教室/ DayPeriod・RoomDayPeriod・Room |
ログインして教室を表示する（Log in to view the classrooms.） |
| 単位/ CreditsCredits |
11 |
| 科目ナンバリング/ Course NumberCourse Number |
AIR7600 |
| 使用言語/ LanguageLanguage |
日本語/JapaneseJapanese |
| 履修登録方法/ Class Registration MethodClass Registration Method |
科目コード登録/Course Code RegistrationCourse Code Registration |
| 配当年次/ Assigned YearAssigned Year |
配当年次は開講学部のR Guideに掲載している科目表で確認してください。配当年次は開講学部のR Guideに掲載している科目表で確認してください。 |
| 先修規定/ Prerequisite RegulationsPrerequisite Regulations |
|
| 他学部履修可否/ Acceptance of Other CollegesAcceptance of Other Colleges |
履修登録システムの『他学部・他研究科履修不許可科目一覧』で確認してください。 |
| 履修中止可否/ Course CancellationCourse Cancellation |
－（履修中止制度なし/ No system for cancellation) |
| オンライン授業60単位制限対象科目/ Online Classes Subject to 60-Credit Upper LimitOnline Classes Subject to 60-Credit Upper Limit |
|
| 学位授与方針との関連/ Relationship with Degree PolicyRelationship with Degree Policy |
各授業科目は、学部・研究科の定める学位授与方針（DP）や教育課程編成の方針（CP）に基づき、カリキュラム上に配置されています。詳細はカリキュラム・マップで確認することができます。 https://www.rikkyo.ac.jp/about/disclosure/educational_policy/ai.html |
| 備考/ NotesNotes |
The learning objectives of this course are:
- to understand and be able to explain the technologies and theories of artificial intelligence;
- to understand and be able to explain sparse modeling.
In this course, students will study sparse modeling and its extensions. In the practical sessions, they will also aim to acquire the ability to implement optimization algorithms for sparse modeling and related deep learning models using Python.
| 1 | スパースモデリングの基礎：講義 |
| 2 | スパースモデリングの基礎：講義 |
| 3 | スパースモデリングの基礎：演習 |
| 4 | 行列分解による特徴学習：講義 |
| 5 | 行列分解による特徴学習：演習 |
| 6 | スパースモデリングと深層学習：講義 |
| 7 | スパースモデリングと深層学習：演習 |
板書 /Writing on the Board
スライド（パワーポイント等）の使用 /Slides (PowerPoint, etc.)
上記以外の視聴覚教材の使用 /Audiovisual Materials Other than Those Listed Above
個人発表 /Individual Presentations
グループ発表 /Group Presentations
ディスカッション・ディベート /Discussion/Debate
実技・実習・実験 /Practicum/Experiments/Practical Training
学内の教室外施設の利用 /Use of On-Campus Facilities Outside the Classroom
校外実習・フィールドワーク /Field Work
上記いずれも用いない予定 /None of the above
| 補足事項 (Supplementary Items) |
|---|
| 実習はPythonによる実装を行います。 |
機械学習、統計の初歩的な知識を身につけていること。
pythonで基礎的な実装ができること。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 平常点 (In-class Points) | 100 |
演習で実装したコードの提出(80%) 課題レポート(20%) |
| 備考 (Notes) | ||
なし/None
線形代数、統計、最適化の初歩的な知識があることが望ましい。
Python、PyTorchの実装の最低限の知識があることが望ましい。
PC（演習に利用するPythonの実行環境はGoogle Colabを利用する予定）
講義は1, 2回、3, 4回、5, 6回でそれぞれ１日で集中して行う可能性があります。
本授業の到達目標は
- 人工知能の技術と理論を理解し、説明できる
- スパースモデリングについて理解し、説明できる
である。
The learning objectives of this course are:
- to understand and be able to explain the technologies and theories of artificial intelligence;
- to understand and be able to explain sparse modeling.
この講義ではスパースモデリングとその発展を学びます。また演習では、pythonによるスパースモデリングの最適化アルゴリズムや関連する深層学習モデルの実装を行う能力の獲得も目指します。
In this course, students will study sparse modeling and its extensions. In the practical sessions, they will also aim to acquire the ability to implement optimization algorithms for sparse modeling and related deep learning models using Python.
| 1 | スパースモデリングの基礎：講義 |
| 2 | スパースモデリングの基礎：講義 |
| 3 | スパースモデリングの基礎：演習 |
| 4 | 行列分解による特徴学習：講義 |
| 5 | 行列分解による特徴学習：演習 |
| 6 | スパースモデリングと深層学習：講義 |
| 7 | スパースモデリングと深層学習：演習 |
板書 /Writing on the Board
スライド（パワーポイント等）の使用 /Slides (PowerPoint, etc.)
上記以外の視聴覚教材の使用 /Audiovisual Materials Other than Those Listed Above
個人発表 /Individual Presentations
グループ発表 /Group Presentations
ディスカッション・ディベート /Discussion/Debate
実技・実習・実験 /Practicum/Experiments/Practical Training
学内の教室外施設の利用 /Use of On-Campus Facilities Outside the Classroom
校外実習・フィールドワーク /Field Work
上記いずれも用いない予定 /None of the above
| 補足事項 (Supplementary Items) |
|---|
| 実習はPythonによる実装を行います。 |
機械学習、統計の初歩的な知識を身につけていること。
pythonで基礎的な実装ができること。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 平常点 (In-class Points) | 100 |
演習で実装したコードの提出(80%) 課題レポート(20%) |
| 備考 (Notes) | ||
なし/None
線形代数、統計、最適化の初歩的な知識があることが望ましい。
Python、PyTorchの実装の最低限の知識があることが望ましい。
PC（演習に利用するPythonの実行環境はGoogle Colabを利用する予定）
講義は1, 2回、3, 4回、5, 6回でそれぞれ１日で集中して行う可能性があります。