科目ナンバー

CM-OI1-82XS

履修条件・関連科目等

授業で使用する言語

日本語

授業で使用する言語（その他の言語）

授業の概要

インターネットに代表されるICT（information technology 情報通信技術）の急速な発達と普及は私達の日常を大きく変えています。企業のあり方や社会の仕組みもこうした動きをうけて変化しています。
以前は情報技術は専門のプログラムを作成したり、ワープロや表計算ソフトによってファイルを書類を作成したりする仕事を行うための補助的なスキルでしたが、現在ではビジネスの実行自体が情報技術と一体不可分な状況となり、ビジネスのあらゆる場面で情報の適切な処理が行われるようになっています。
この授業では このような現実をふまえ、現代のビジネスの現場で必要となるICTの実践的内容について、その基礎を身につけることを目標としています。
本授業では特に最近発展が著しい人工知能AI、特にディープラーニング型の人工知能について実習を行います。
本授業の前半部分ではこの授業で人工知能を理解し、作成する際に必要になるPythonというプログラム言語について学修し、後半ではより実践的にディープラーニング型人工知能についてモデルを作成して理解を深めます。
後半は特別に、人工知能ビジネスで世界的に圧倒的な実績をもつNVIDIA社の方から実践的な授業を受けられる授業となっています。
本授業はその内容から、パソコンを用いた実習の授業となります。また時としてグループワークを行うこともあり、場合によってはiPad等の情報機器を利用することもあります。
常に主体的に出席し、積極的に授業に参加して課題をこなしていくことが望まれます。

科目目的

現在の企業、社会で必要とされるICTの原理、応用特に人工知能について理解する。

到達目標

Pythonを用いて基本的な人工知能モデルを作成できるようになる。

授業計画と内容

１．ビジネスにおける情報の利用・活用
現代のビジネスの場での情報の利用活用について状況を説明し、この授業で学ぶ内容について説明します。

２．人工知能入門
人工知能の原理や歴史の概要を学びます。

３．Pythonと画像処理
画像処理を例にPythonの基礎的な書き方を学びます。

４．Pythonと画像処理2
画像処理を例にPythonの基礎的なプログラムの作り方を学び、ディープラーニング型人工知能の原理を理解します。

５．Pythonと顔認証技術
顔認証技術を例にディープラーニング型人工知能用いたPythonプログラムを作成してます。

６．Pythonと顔認証技術2
前回作成したディープラーニング型人工知能をもとにPythonのプログラムを改造して、色々な顔認識を行いディープラーニング型人工知能について学修を深めます。

７．MNISTデータセットによる画像分類
ディープラーニングの基礎として、手書きの数字を正しく分類するディープラーニングモデルを作成します。

８．アメリカ手話 (American Sign Language) の画像分類
実習したデータ準備、モデル作成、モデル学習のステップを、別のデータセット（アメリカ手話で文字を作る手の画像）を使って行います。

９．畳み込みニューラルネットワーク (CNN, Convolutional Neural Networks)
畳み込みニューラルネットワーク　(Convolutional Neural Networks)　と呼ばれる、特に画像の読み取りや分類に適したモデルを作成します。

10．データ拡張 （Data Augmentation） とモデルのデプロイ (Deploy)
既存のデータセットのデータ量を増やします。これはデータ拡張 （Data Augmentation） として知られ、多くのディープラーニングの応用に役立ちます。これらのデータを使ってモデルの学習が完成したら、それを実際に使用してみます。

11．学習済みモデル (Pre-Trained Models) と転移学習 (Transfer Learning)
大規模なデータセットによる学習が不要で、すぐに使用できる学習済みモデル (Pre-Trained Models) を実習します。また、所望の学習済モデルや、モデルの学習に十分なデータセットがない場合に役立つ転移学習　(Transfer Learning) を実習します。

12．再帰型ニューラルネットワーク (RNN, Recurrent Neural Network)
言語は、単語中の文字、文章中の単語という形でシーケンスデータ (sequence data) から構成されています。シーケンスデータを使用する例としてニュースの見出しを用い、単語の予測モデルを作成します。

13． プロジェクト課題１
最終課題として、新鮮な果物と腐った果物を認識できる新しいモデルを作成します。

14．プロジェクト課題2
転移学習やデータ拡張、ファインチューニング（Fine-tuning） などを組み合わせて、モデルの検証精度92% を目指します。

授業時間外の学修の内容

指定したテキストやレジュメを事前に読み込むこと／授業終了後の課題提出／その他

授業時間外の学修の内容（その他の内容等）

実習で学んだことは積極的に使ってみてください。

授業時間外の学修に必要な時間数／週

・毎週１回の授業が半期（前期または後期）または通年で完結するもの。１週間あたり４時間の学修を基本とします。
・毎週２回の授業が半期（前期または後期）で完結するもの。１週間あたり８時間の学修を基本とします。

成績評価の方法・基準

成績評価の方法・基準（備考）

課題や試験のフィードバック方法

授業時間内で講評・解説の時間を設ける

課題や試験のフィードバック方法（その他の内容等）

アクティブ・ラーニングの実施内容

実習、フィールドワーク

アクティブ・ラーニングの実施内容（その他の内容等）

授業におけるICTの活用方法

クリッカー／タブレット端末／その他

授業におけるICTの活用方法（その他の内容等）

プログラム作成等

実務経験のある教員による授業

はい

【実務経験有の場合】実務経験の内容

企業の研究開発で数値解析業務に20年間、事業開発でAI推進業務に4年間携わる。

【実務経験有の場合】実務経験に関連する授業内容

数値解析とAIに関する業務に携わってきた経験を踏まえ、AIを支える手法(Deep Learning, 深層学習)の
基礎について、講義とプログラミング演習を行う。

テキスト・参考文献等

授業時に必要により指示します。
NVIDIA Deep Learning Institute, Self-Paced, Online Courses

その他特記事項

文字入力等の基本的なパソコン操作、Word、PowerPoint等の基本的なアプリは使用できることが前提になります。
使用するソフト、サービス
Google Colaboratory
プログラム言語Python
Intel OpenCV
Google TensorFlow
Keras

参考URL