シラバス参照
シラバス参照
| 科目一覧へ戻る | 2024/04/16 現在 |
|
開講科目名 ／Class |
応用社会システム論特殊講義／Advanced Lecture on Applied Social Systems |
|---|---|
|
授業コード ／Class Code |
J003511001 |
|
ナンバリングコード ／Numbering Code |
|
|
開講キャンパス ／Campus |
ﾎﾟｰﾄｱｲﾗﾝﾄﾞ |
|
開講所属 ／Course |
修士／ |
|
年度 ／Year |
2024年度／Academic Year |
|
開講区分 ／Semester |
通年／FULL-YEAR |
|
曜日・時限 ／Day, Period |
火1(前期),火1(後期)／TUE1(SPR.),TUE1(AUT.) |
|
単位数 ／Credits |
4.0 |
|
主担当教員 ／Main Instructor |
大角 盛広／OSUMI SHIGEHIRO |
|
遠隔授業 ／Remote lecture |
No |
|
教員名 ／Instructor |
教員所属名 ／Affiliation |
|---|---|
| 大角 盛広／OSUMI SHIGEHIRO | 経営学部／Business Administration |
|
授業の方法 ／Class Format |
対面授業（講義、実習） |
|---|---|
|
授業の目的 ／Class Purpose |
コンピュータ・シミュレーションの基礎的な手法を学び、実際に自分でシミュレーションプログラムが作れるようになる。 人工知能の一分野である機械学習の基礎的な手法を学び、その原理に基づいたプログラムが作れるようになる。 なお、この授業の担当者は、IT企業で8年間の実務経験のある教員であるので、より実践的な観点からシステムについて解説する。 |
|
到 達 目 標 ／Class Objectives |
コンピュータ・シミュレーションの基礎的な手法を理解する。 コンピュータ・シミュレーションの限界や問題点について理解する。 簡単なシミュレーションプログラムの作成ができる。 ニューラル・ネットワークによる機械学習の原理を理解する。 ニューラル・ネットワークによる機械学習のプログラムが作成できる。 ディープ・ラーニングの仕組みを理解する。 |
|
授業のキーワード ／Keywords |
定式化、シミュレーション、ニューラル・ネットワーク |
|
授業の進め方 ／Method of Instruction |
パソコンを使った実習を主体とする。 |
|
履修するにあたって ／Instruction to Students |
ノートパソコンを持参することが望ましい。 |
|
授業時間外に必要な学修内容・時間 ／Required Work and Hours outside of the Class |
コーディングとデバッグ。特に後期は毎回3時間程度の時間外学修が必要となる。 |
|
提出課題など ／Quiz,Report,etc |
最終課題として作成したプログラムを提出するとともに、その内容や動作について発表してもらう。質疑応答によりフィードバックを行う。 |
|
成績評価方法・基準 ／Grading Method・Criteria |
理解度の確認のため授業中に随時質問やミニテストを行う。その回答50%、最終課題50%によって評価する。 |
|
テキスト ／Required Texts |
特定のテキストは用いない。参考文献等を授業中に指示する。 |
|
参考図書 ／Reference Books |
| No. | 回 ／Time |
主題と位置付け ／Subjects and position in the whole class |
学習方法と内容 ／Methods and contents |
備考 ／Notes |
|---|---|---|---|---|
| 1 | 第1回 | 授業内容の説明 | ||
| 2 | 第2回 | 確定系モデル | 確定系の基礎的なモデルをいくつか学ぶ | |
| 3 | 第3回 | 確定系シミュレーションの例 | 確定系のシミュレーションプログラムの例を学ぶ | |
| 4 | 第4回 | 確率系モデル | 確率系の基礎的なモデルについていくつか学ぶ | |
| 5 | 第5回 | 確率系シミュレーションの例 | 確率系のシミュレーションプログラムの例を学ぶ | |
| 6 | 第6回 | コンピュータ言語の概要 | コンパイラとインタープリタ、およびスクリプト言語の特徴について学ぶ | |
| 7 | 第7回 | 変数 | 変数とその型の概念を学び自分で応用プログラムが書けるようになる | |
| 8 | 第8回 | 制御構造1 | 基本的な制御構造について学ぶ | |
| 9 | 第9回 | 制御構造2 | 基本的な制御構造とその応用について学び自分で応用プログラムが書けるようになる | |
| 10 | 第10回 | 静的データ構造 | 配列構造について学ぶ | |
| 11 | 第11回 | 入出力 | 入出力の種類およびバッファリングについて学ぶ | |
| 12 | 第12回 | 確定系モデルのシミュレーションプログラム作成1 | 今までに学んだ知識を活用し自分で確定系モデルのプログラムを作成する | |
| 13 | 第13回 | 確定系モデルのシミュレーションプログラム作成2 | 今までに学んだ知識を活用し自分で確定系モデルのプログラムを作成する | |
| 14 | 第14回 | 確率系モデルのシミュレーションプログラムの作成1 | 今までに学んだ知識を活用し自分で確率系モデルのプログラムを作成する | |
| 15 | 第15回 | 確率系モデルのシミュレーションプログラムの作成 2 | 今までに学んだ知識を活用し自分で確率系モデルのプログラムを作成する | |
| 16 | 第16回 | 動的データ構造1 | リンク構造とメモリについて学ぶ | |
| 17 | 第17回 | 動的データ構造2 | リスト構造について学ぶ | |
| 18 | 第18回 | 動的データ構造3 | ツリー構造について学ぶ | |
| 19 | 第19回 | ニューラル・ネットワークの基礎 | 行列演算とバックプロパゲーションの手法について学ぶ | |
| 20 | 第20回 | ニューラル・ネットワークの応用例 | 単純な画像(数字)を識別させる方法について学ぶ | |
| 21 | 第21回 | ニューラル・ネットワークにおける学習1 | 画像(数字)認識を例に取り実際に学習させることを学ぶ | |
| 22 | 第22回 | ニューラル・ネットワークにおける学習2 | 画像(数字)認識を例に取り実際に学習させることを学ぶ | |
| 23 | 第23回 | ディープ・ラーニングの概要 | ニューラルネットワークをさらに進めたディープラーニングの考え方について学ぶ | |
| 24 | 第24回 | 課題作成 | 自分で設定した問題を解くもしくはシミュレートするプログラムを作成する | |
| 25 | 第25回 | 課題作成 | 自分で設定した問題を解くもしくはシミュレートするプログラムを作成する | |
| 26 | 第26回 | 課題作成 | 自分で設定した問題を解くもしくはシミュレートするプログラムを作成する | |
| 27 | 第27回 | 課題作成 | 自分で設定した問題を解くもしくはシミュレートするプログラムを作成する | |
| 28 | 第28回 | 課題作成 | 自分で設定した問題を解くもしくはシミュレートするプログラムを作成する | |
| 29 | 第29回 | 課題作成 | 自分で設定した問題を解くもしくはシミュレートするプログラムを作成する | |
| 30 | 第30回 | 課題発表・提出 | 作成したプログラムを提出し内容について発表する |