人工知能論

Theory of Artificial Intelligence

994673A

46CSINS301

中村　和晃

NAKAMURA Kazuaki

2025年度後期

2025年度

②Second semester

水曜3限

Wednesday 3rd Period

工学部　情報工学科

Department of Information and Computer Technology, Faculty of Engineering

2.0単位

講義

Lecture

-

① [対面]対面授業/ [On-site] On-site class

2010年代半ばより「人工知能（AI）」という言葉が社会的に注目され，その幅広い応用が期待されているが，その登場は案外と古く，1950年代まで遡る．かつてはゲーム・パズルの最適解探索や知識ベースに基づく推論システムが主要テーマとして研究されてきたが，現代のAIは，それらとは異なり機械学習を核としている．そこで本講義では，探索や推論などの古典的なAI技術から始めつつも，機械学習に特に焦点を当て，それに基づくパターン認識・生成技術などについて，簡易的なプログラム実装課題も交えつつ学習する．また，現代のAIが孕むプライバシー侵害の可能性といった問題についても触れる．

・人工知能における代表的な技術について，その基礎理論を理解する．
・本学科のディプロマ・ポリシーに定める「情報工学に必要な基礎学力と専門知識」を身につけるための科目の一つである．

・古典的な人工知能の中核技術である探索や推論について，その基礎理論を理解・説明できる．
・現代の人工知能の中核技術である機械学習について，その基礎理論を理解し活用できる．

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/​​​

コンピュータの基本的な概念とアルゴリズムの基本的な考え方を取得していることが望ましい．

-

-

各回の授業で用いる講義資料を事前に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，全体を通して3回程度，講義終了時に課題を提示する予定でおりますので，定められた締め切りまでに解答の上，提出してください（締め切りや提出方法は別途連絡します）．万が一この方針に変更がある場合は，別途連絡致します．

・到達度評価試験を実施します．また，上記の通り，全体で3回程度，課題を提示する予定でおり，レポートの提出を求めます．（課題の内容，締め切り，提出方法などは講義中に指示します．）
・評価の比率は到達度評価試験70％，レポート30％とします．

・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://gomykits.kinokuniya.co.jp/tokyorika/​​​

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

以下の書籍等が参考になるかと思いますが，これらに沿って講義を行うわけではなく，従って必須ではありません．
・馬場口登，山田誠二「人工知能の基礎 第2版」オーム社
・小林一郎「人工知能の基礎」サイエンス社
・太原育夫「新 人工知能の基礎知識」近代科学社
・國藤進，羽山徹彩，中田豊久「知識基盤社会のための人工知能入門」コロナ社
・S. Russel, P. Norvig「Artificial Intelligence: A Modern Approach, Global Edition」Pearson Education Limited
・中川聖一編著「音声言語処理と自然言語処理（増補）」コロナ社
・石井健一郎，上田修功，前田英作，村瀬洋 「わかりやすいパターン認識（第2版）」オーム社

大学の方針に従い，すべての履修学生に対して，以下に述べる全15回の授業のうち半数以上を対面で受講することを求める．

第1回　イントロダクション：
　人工知能（AI）の定義，種類，問題設定，歴史などについて学習する．特に歴史について，AI研究にはこれまでに3回のブームがあったとされており，「探索」「知識（推論）」「学習」がそれぞれ第一次，第二次，第三次ブームのキーワードとされている．

第2回　探索(1)：
　第一次AIブームのキーワードである「探索」について，幅優先探索，深さ優先探索，反復深化探索などの基本的な探索法（ブラインド探索）を学習する．

第3回　探索(2)：
　ブラインド探索よりも効率の良いヒューリスティック探索（何らかの評価関数を利用して探索範囲を限定する探索法）について学習する．

第4回　知識と推論(1)：
　第二次AIブームのキーワードである「知識」について，その基礎となる命題論理および述語論理について学習する．

第5回　知識と推論(2)：
　「知識」に基づくAIの典型例であるプロダクションシステムについて学習する．

第6回　機械学習：
　第三次AIブームのキーワードである「学習」すなわち「統計的機械学習」と，それと関係の深い「パターン認識」について，その概要を学習する．統計的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」の三種類がある．

第7回　教師なし学習：
　教師なし学習の手法，特にクラスタリングについて学習する．

第8回　教師あり学習とパターン認識(1)：
　教師あり学習によるパターン認識について，その代表的な手法（k近傍法やSupport Vector Machineなど）を学習する．

第9回　教師あり学習とパターン認識(2)：
　教師あり学習によるパターン認識手法のうち，ニューラルネットワークについて重点的に学習する．ニューラルネットワークは現代のAIの基礎となっている．

第10回　パターン生成：
　ニューラルネットワークを用いたパターン生成（画像生成など）について学習する．

第11回　テキスト処理：
　ニューラルネットワークを用いたテキスト処理（翻訳処理，画像に対する説明文の生成処理など）について学習する．

第12回　強化学習：
　強化学習および深層強化学習を用いたAIについて学習する．

第13回　AIと情報セキュリティ：
　現代のAIに特有のセキュリティ上の課題，例えば「フェイク画像の生成」や「AIシステムに対する攻撃」などについて学習する．

第14回　学習内容の振り返り

第15回　到達度評価試験

-

-

-

「人工知能」という言葉の定義はあいまいで，時代とともに変化している面があります．その研究対象もまた同様で，時代ごとにかなり異なる問題が取り扱われてきました．そのような中で，本講義では，現代の「機械学習に基づく人工知能」を中心的に取り扱います．このため，他の講義と内容面で重なる個所もあるかもしれませんが，可能な限りわかりやすく解説するよう努めます．

Y

N