シラバス参照

シラバス参照

授業情報／Course information

科目名／Course: 人工知能Ⅱ／Artificial Intelligence II
科目一覧へ戻る	2026/09/08 現在

授業基本情報
授業概要情報
授業計画詳細情報
成績評価詳細情報

授業基本情報

科目名（和文）／Course	人工知能Ⅱ
科目名（英文）／Course	Artificial Intelligence II
時間割コード／Registration Code	22271901
学部（研究科）／Faculty	情報工学部
学科（専攻）／Department	情報システム工学科
担当教員（○：代表教員）／Principle Instructor （○） and Instructors	○滝本　裕則
オフィスアワー／Office Hour	滝本　裕則(木曜5限, 2608室)
開講年度／Year of the Course	2026年度
開講期間／Term	前期
対象学生／Eligible Students	3年次生
単位数／Credits	2.0

授業概要情報

更新日／Date of renewal	2026/06/20
科目ナンバリング／Course Numbering	履修案内を参照
使用言語／Language of Instruction	日本語
オムニバス／Omnibus	該当なし
授業概略と目的／Cource Description and Objectives	本講義では，計算機にヒトと同じような知的な処理を行わせる計算機科学である人工知能の概要について学ぶ．前半は，計算機による自律的な学習を目指す機械学習の基礎と方法論について学ぶ．後半は，深層学習をはじめとして，畳み込みニューラルネットワーク，生成AI（GAN・拡散モデル・大規模言語モデル），強化学習など，より高度な機械学習を理解するために欠かせない素養を身につけることを目的とする．特に，人工知能の代表的な活用分野として主に画像や映像情報を対象とした活用事例を解説する．実データ・実課題およびPythonによる実装演習を通じて，AIを活用し課題解決につなげる基礎能力の修得を目指す．
履修に必要な知識・能力・キーワード／Prerequisites and Keywords	科目「人工知能」を履修していることが望ましい．また，簡単なプログラムをPythonで記述できることが望ましい．キーワード：パターン認識，機械学習，深層学習，畳み込みニューラルネットワーク，生成AI，強化学習，説明可能なAI，画像処理
履修上の注意／Notes	特になし．
教科書／Textbook(s)	なし．毎回資料を配布する．
参考文献等／References	「イラストで学ぶ人工知能概論」，谷口忠大，講談社「わかりやすいパターン認識」，石井健一郎他，オーム社「初めてのディープラーニング」，武井宏将，リックテレコム「画像認識」，原田達也，講談社 ※上記書籍は本学付属図書館に所蔵されています。　https://opac.lib.oka-pu.ac.jp/opac/search?isbn=9784065218846 　https://opac.lib.oka-pu.ac.jp/opac/search?isbn=9784274224508 　https://opac.lib.oka-pu.ac.jp/opac/search?isbn=9784865940220 　https://opac.lib.oka-pu.ac.jp/opac/search?isbn=9784061529120
自主学習ガイド／Expected Study Guide outside Coursework/Self-Directed Learning Other Than Coursework	各回の学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．
資格等に関する事項／Attention Relating to Professional License
アクティブラーニングに関する事項／Attention Relating to Active Learning	本科目では以下のアクティブラーニングを採用している．・振り返り（小テスト）・課題（レポート）
実務経験に関する事項／Attention Relating to Operational Experiences	該当しない．
授業改善アンケートへのレスポンス（2025年度以前は「備考」）／Response to Course Evaluations

授業計画詳細情報

No.	単元（授業回数）／Unit (Lesson Number)	単元タイトルと概要／Unit Title and Unit Description	時間外学習／Preparation and Review	配付資料／Handouts
1	1	[ガイダンス，人工知能の概要] 講義全体の概要に加え，AIの歴史，推論・探索，エキスパートシステム，汎用型/特化型AI，フレーム問題・記号接地問題，AIと社会（倫理）について説明する．	講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
2	2	[復習（確率とベイズ理論）] 確率・確率変数・確率分布（正規分布），条件付き確率，ベイズの定理，単純ベイズ分類器について再確認する．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
3	3	[復習（クラスタリング）] 特徴ベクトルと距離・類似度，標準化，相関・共分散，階層的・非階層的クラスタリング（k-means）について再確認する．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
4	4	[機械学習の分類と主成分分析] 教師あり/教師なし/強化学習の分類を整理し，教師なし学習の例として主成分分析（次元削減）を学ぶ．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
5	5	[教師あり学習①（回帰）] 単回帰・重回帰，最小二乗法，決定係数，過学習と汎化性能，正則化について学ぶ．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
6	6	[教師あり学習②（分類）] 分類の評価指標，交差検証法，近傍法，線形判別分析について学ぶ．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
7	7	[教師あり学習③（SVM）] サポートベクターマシン（マージン最大化，カーネル法）について学び，決定木を導入する．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
8	8	[教師あり学習④（決定木）／ニューラルネットワーク] 決定木・ランダムフォレスト，パーセプトロン，誤差逆伝播法，活性化関数について学ぶ．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
9	9	[深層学習と畳み込みニューラルネットワーク（CNN）] 深層学習の基礎，畳み込み・プーリング，代表的なCNNモデル，GPUについて学ぶ．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
10	10	[深層学習プログラミング] 全結合ニューラルネットワークおよびCNNによる画像分類を実装し，GPUの利用を体験する．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
11	11	[AIと著作権] 生成AIと著作権，AIと知的財産権など，AIと社会・法に関する論点について学ぶ．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
12	12	[深層学習に関する最新技術①] 転移学習と基盤モデル，データ拡張，生成モデル（GAN・拡散モデル），オートエンコーダ，説明可能なAI（XAI）と生成AIの課題について学ぶ．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
13	13	[深層学習に関する最新技術②] 拡散モデルによる画像生成（Stable Diffusion 等）や異常検知など，生成AI・深層学習の応用を演習する．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
14	14	[強化学習の概要] 強化学習の基礎（エージェント・報酬・方策），Q学習，深層強化学習（DQN），産業応用について学ぶ．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．
15	15	[生成AIとまとめ] 大規模言語モデル（LLM），RAG，プロンプトエンジニアリングと生成AIの留意事項（ハルシネーション等）について学び，講義全体をまとめる．	前回までの学習内容を復習すること．また，講義中に示す演習課題に取り組むこと．	当該回に関するプレゼンテーション資料を配布する．

成績評価詳細情報

到達目標及び観点／Learning Goal and Specific Behavioral Viewpoints

No.	到達目標／Learning Goal	知識・理解／Knowledge & Undestanding	技能・表現／Skills & Expressions	思考・判断／Thoughts & Decisions	伝達・コミュニケーション／Communication	協働／Cooperative Attitude
1	機械学習の基礎を理解し，適切に表現・説明することができる．（E）	○	○	○	○
2	Pythonを用いて基本的な機械学習プログラムを実装することができる．（E）	○	○	○	○
3	ニューラルネットワークと深層学習の基礎を理解し，適切に表現・説明することができる．（E）	○	○	○	○
4	画像や映像情報を対象とした人工知能の代表的な活用事例を理解し，適切に説明することができる．（E）	○	○	○	○
5	生成AI（GAN・拡散モデル・大規模言語モデル等）の基礎概念と応用，利用上の留意事項を理解し，適切に説明することができる．（E）	○	○	○	○

成績評価方法と基準／Evaluation of Achievement

※出席は2/3以上で評価対象となります。

No.	到達目標／Learning Goal	定期試験／Exam.	演習課題およびレポート
1	機械学習の基礎を理解し，適切に表現・説明することができる．（E）		○
2	Pythonを用いて基本的な機械学習プログラムを実装することができる．（E）		○
3	ニューラルネットワークと深層学習の基礎を理解し，適切に表現・説明することができる．（E）		○
4	画像や映像情報を対象とした人工知能の代表的な活用事例を理解し，適切に説明することができる．（E）		○
5	生成AI（GAN・拡散モデル・大規模言語モデル等）の基礎概念と応用，利用上の留意事項を理解し，適切に説明することができる．（E）		○

評価割合（％）／Allocation of Marks			100

科目一覧へ戻る