日本語 English
| 開講年度/ Academic YearAcademic Year |
20242024 |
| 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 |
WR511/WR511WR511 |
| 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) |
発話を伴う授業を学内で受講する場合は4403教室の利用可。夏季集中講義。 【授業日程】8月1日（木）5・6限、8月2日（金）5・6限、8月3日（土）5・6限、8月5日（月）5・6限、8月6日（火）5・6限、8月7日（水）5・6限、8月8日（木）5・6限 |
| 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 |
|
| 単位/ CreditCredit |
22 |
| 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/ Grade (Year) RequiredGrade (Year) Required |
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。 |
| 備考/ NotesNotes |
|
| テキスト用コード/ Text CodeText Code |
WR511 |
The goals of this course are to
- be able to understand and explain the technologies and theories of AI.
- be able to understand and explain matrix/tensor factorization and its applications.
- be able to understand and explain sparse modeling.
This course deals with case studies on matrix/tensor factorization and sparse modeling at lecture sessions. It also enhances the development of students' skill in matrix/tensor factorization and sparse modeling at hands on sessions.
※Please refer to Japanese Page for details including evaluations, textbooks and others.
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
- 行列分解・テンソル分解とその応用事例について理解し、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 goals of this course are to
- be able to understand and explain the technologies and theories of AI.
- be able to understand and explain matrix/tensor factorization and its applications.
- be able to understand and explain sparse modeling.
この講義では行列分解・テンソル分解とその応用事例，およびスパースモデリングを学びます。また演習では、pythonによる行列分解・テンソル分解やスパースモデリングを行う能力の獲得も目指します。
This course deals with case studies on matrix/tensor factorization and sparse modeling at lecture sessions. It also enhances the development of students' skill in matrix/tensor factorization and sparse modeling at hands on sessions.
| 1 | 人工知能の技術（１）：講義（村上） 行列分解と推薦システムへの応用 |
| 2 | 人工知能の技術（２）：演習（村上） 行列分解と推薦システムへの応用 |
| 3 | 人工知能の技術（３）：講義（村上） 行列分解と位置情報への応用 |
| 4 | 人工知能の技術（４）：演習（村上） 行列分解と位置情報への応用 |
| 5 | 人工知能の技術（５）：講義（村上） テンソル分解と推薦システムへの応用 |
| 6 | 人工知能の技術（６）：演習（村上） テンソル分解と推薦システムへの応用 |
| 7 | 人工知能の技術（７）：講義（村上） 行列分解のセキュリティ・プライバシー |
| 8 | 人工知能の技術（８）：講義（有竹） スパースモデリングの基礎 |
| 9 | 人工知能の技術（９）：演習（有竹） スパースモデリングの基礎 |
| 10 | 人工知能の技術（１０）：講義（有竹） 行列分解による特徴学習 |
| 11 | 人工知能の技術（１１）：講義（有竹） 行列分解による特徴学習 |
| 12 | 人工知能の技術（１２）：講義（有竹） スパースモデリングと深層学習 |
| 13 | 人工知能の技術（１３）：演習（有竹） スパースモデリングと深層学習 |
| 14 | 人工知能の技術（１４）：講義（有竹） 非線形なスパースモデリングへの展開 |
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
機械学習、統計の基本的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 |
レポートの課題（回答の正確さ・説明・数式による導出・ソースコードの提供など）から総合的に評価する(100%) |
| 備考 (Notes) | ||
なし/None
（１）（２）、（３）（４）、（５）（６）、（９）（１０）、（１１）（１２）、（１３）（１４）はそれぞれ１日で集中して行う可能性があります。
本科目は、博士課程後期課程におけるコースワーク科目である。後期課程の受講者は、前期課程の受講者より高度な知識・スキルを身に付けることを目標としたうえで、成績評価基準についても、前期課程の受講者より高度な達成水準を要求する。