人工知能特論

Advanced Artificial Intelligence

994G601

中村　和晃

NAKAMURA Kazuaki

2024年度前期

2024 1st Semester

金曜3限

Friday 3rd Period

工学研究科　情報工学専攻

Department of Information and Computer Technology, Graduate School of Engineering

2.0単位

講義

Lecture

-

① [対面]対面授業/ [On-site] On-site class

人工知能（AI）研究の歴史は1950年代まで遡り，古くから探索や推論・知識に基づくAIが活発に研究されてきたが，近年では，機械学習に基づくAIが学術的にも社会的にも特に注目を集めている．機械学習には大きく分けて教師なし学習，教師あり学習，強化学習の3種類がある．そのいずれもがニューラルネットワークの登場により大きく進歩しており，様々なAIに応用されつつある．本講義では，このような機械学習ベースのAIについて，その基礎理論およびプログラム実装法を詳しく論じる．

Artificial intelligence (AI) has been studied since the 1950s. At the beginning, search-based AI and knowledge-based AI were widely studied, but in recent years, AI based on machine learning (ML) is attracting significant interest from the academic community and society. The three main approaches of ML, namely, supervised, unsupervised, and reinforcement learning, are still progressing with deep neural networks and are integrated into many AI applications. In this class, fundamental theories and implementation techniques for ML-based AI are discussed in detail.

機械学習に基づく人工知能について，理論と実装の両面から理解を深める．

Students will understand the ML-based AI from both the theoretical and implementation aspects.

・機械学習に基づく人工知能の基礎理論を理解・説明できる．
・機械学習に基づく人工知能について，PyTorchなどのプラットフォームを用いて簡単なプログラムを実装できる．

- Acquisition of the ability to explain the fundamental theories of ML-based AI.
- Acquisition of the ability to implement simple programs of ML-based AI utilizing some well-known platforms such as PyTorch.

リンク先の [評価項目と科目の対応一覧]から確認できます（学部対象）。
履修登録の際に参照ください。
​You can check this from “Correspondence table between grading items and subjects” by following the link(for departments).
https://www.tus.ac.jp/fd/ict_tusrubric/​​​

・線形代数や微積分について基礎的な知識（学部2年生レベル）を有していることが望ましい．
・プログラミング言語 Python の実装経験を有していることが望ましい．

- It is desirable to have basic knowledge of linear algebra and calculus (at the second-grade level of undergraduate studies).
- It is desirable to have programming experience with Python language.

-

-

各回の授業で用いる講義資料（PDF）をLETUS上で事前配布するようにしますので，予習しておいてください．また，実装課題に対しては，定められた締め切りまでにレポートを提出してください（締め切りや提出方法はLETUSから連絡します）．

Students should read the lecture material provided in LETUS in PDF format before every weekly class as preparation. For each implementation exercise, students should write and submit a report by a deadline (LETUS will provide information on the deadlines and way of submission).

実装課題に対するレポート（全3回を予定）に基づいて成績評価を行います．

Students' performance is graded based on the submitted reports of the implementation exercises (three reports in total).

・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

N

-

教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
​https://mirai.kinokuniya.co.jp/tokyorika/​​​

It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store).
​​https://mirai.kinokuniya.co.jp/tokyorika/

-

第1回 ガイダンス
　授業の進め方を簡単に説明したのち，人工知能(AI)の定義・概要・歴史などを復習する．

第2回 ニューラルネットワークの基礎(1)
　機械学習に基づくAIの基礎であるニューラルネットワークについて復習する．

第3回 ニューラルネットワークの基礎(2)
　ニューラルネットワーク実装用のプラットフォームとして PyTorch を導入し，環境の構築方法を学習する．この単元では，例として，単純なクラス分類処理を行うAIを取り上げる．

第4回 生成処理を実現するAI(1)：教師なし学習の基礎
　教師なし学習を応用したAIの例として，画像生成を実現するAIを学習する．まず，生成処理と教師なし学習（次元圧縮，クラスタリング）との関係を学習する．

第5回 生成処理を実現するAI(2)：Autoencoder
　ニューラルネットワークによる画像生成AIの具体的な実現法として Autoencoder (AE)を学習する．

第6回 生成処理を実現するAI(3)：Generative Adversarial Network
　ニューラルネットワークによる画像生成AIの具体的な実現法として Generative Adversarial Network (GAN)を学習する．時間に余裕があれば，拡散モデルについても簡単に学習する．

第7回 生成処理を実現するAI(4)：実践
　画像生成AIを実際に実装する．

第8回 識別処理を実現するAI(1)：教師あり学習の基礎
　教師あり学習を応用したAIの例として，実写画像と生成画像を識別するAIについて学習する．

第9回 識別処理を実現するAI(2)：発展的な技術
　ニューラルネットワークにより画像識別AIを実現するための発展的な技術として，転移学習やattention mechanismなどを学習する．

第10回 識別処理を実現する AI(3)：実践
　画像識別AIを実際に実装する．

第11回 自律的に学習するAI(1)：強化学習の基礎
　強化学習を応用して自律的に学習を進めるタイプのAIについて学習する．

第12回 自律的に学習するAI(2)：Deep Q Network
　ニューラルネットワークによる自律学習型AIの実現法として，Deep Q Network (DQN)を学習する．

第13回 自律的に学習するAI(3)：開発環境の導入
　DQNの開発環境としてOpenAIを導入し，その使用方法を学習する．

第14回 自律的に学習するAI(4)：実践
　自律学習型AIを実際に実装する．

第15回 まとめ・振り返り



1. Guidance
  Brief explanation of the course. Definition, overview, and history of AI.

2. Fundamental Theory of Neural Networks (1)
  Neural networks as the basis of modern ML-based AI.

3. Fundamental Theory of Neural Networks (2)
  Introduction to PyTorch, a well-known platform for implementing neural networks, and creation of a developing environment. AI for a simple classification task is given as an example.

4. AI for Generation (1): Basis of Unsupervised Learning
  AI for image generation, particularly focusing on the relationship between its generation process and unsupervised learning (dimensionality reduction, clustering, etc.).

5. AI for Generation (2): Autoencoders
  Autoencoders as a specific method for achieving neural network-based image generation AI.

6. AI for Generation (3): Generative Adversarial Networks
  Generative adversarial networks (GAN) as a specific method for achieving neural network-based image generation AI. Diffusion models are also introduced if we have time.

7. AI for Generation (4): Exercise
  Implementation of image generation AI through an exercise.

8. AI for Discrimination (1): Basis of Supervised Learning
  AI for discriminating real (photographed) images and fake (AI-generated) images based on supervised learning.

9. AI for Discrimination (2): Advanced Techniques
  Advanced techniques for achieving neural network-based image discrimination AI such as transfer learning and attention mechanisms.

10. AI for Discrimination (3): Exercise
  Implementation of image discrimination AI through an exercise.

11. Autonomous Learning AI (1): Basis of Reinforcement Learning
  Autonomous learning AI based on reinforcement learning.

12. Autonomous Learning AI (2): Deep Q-Networks (DQN)
  Deep Q-networks (DQN), a representative method for achieving neural network-based autonomous learning AI.

13. Autonomous Learning AI (3): Environment for Developing DQN
  Introduction to OpenAI as an environment for developing DQN and way of using it.

14. Autonomous Learning AI (4): Exercise
  Implementation of autonomous AI through an exercise.

15. Summary

-

-

-

「人工知能」という用語は些か定義があいまいであり，そのためか，機械学習，パターン認識，データマイニングなど様々な内容と関連します．そのような内容に特化した他講義と内容が重複する個所も比較的多いかと思いますが，可能な限りわかりやすく解説するよう努めます．

AI is a rather ambiguous term, which covers various topics such as machine learning, pattern recognition, and data mining. Hence, the scope of this class might overlap with that of several other classes. For such a wide range of topics, the instructor will attempt to give a lecture as easily understandable as possible.

Y

N