2025年度/1AAA039001

【水5】AIプログラミング <後期>

知識情報システム学演習1などで習得したプログラミング技能の向上と，AIに関連する講義で習得した数学的知識の深化を目的として，プログラミングをAI開発に活用するための技術的知識の習得を目標とする．座学で学習した線形代数や確率統計のうち特にAI開発と関連のある内容についてプログラミングの観点から見つめ直し，データ分析や最適化，機械学習におけるモデル学習などといったAI開発に役立つスキルを学習する．コンピュータを用いて実際にプログラミングをしながら授業を進めていく．

担当教員氏名

楠木 祥文

科目ナンバリング

AAAKIS22026-J1 (公大) / AKKIS2236-J1 (府大)

授業管轄部署

現代システム科学域

授業形態

講義

開講キャンパス

中百舌鳥

開講区分

週間授業

配当年次

2年 (公大) / 2年 (府大)

注意: 配当年次は学部・学科によって異なる場合があるので、UNIPAで確認してください。

単位数

2単位 (公大) / 2単位 (府大)

注意: 実際の単位数は学部・学科によって異なる場合があるので、必ずUNIPAで確認してください。

到達目標

・AI技術と関連の深い数学知識をプログラミング的観点から理解できる ・単純なAI技術であればライブラリを使わずに自分でプログラミングできる ・自作ライブラリを使いながら複雑で規模が大きいAI技術をプログラミングできる

各授業回の説明

授業	授業内容	事前・事後の学習内容
第1回	授業概要	事後学習：プロジェクトの新規作成、ビルド、実行
第2回	統合開発環境について	事前学習：統合開発環境の使い方
第3回	基本的な行列計算	事前学習：行列計算
第4回	線形方程式の解の計算	事前学習：線形方程式
第5回	固有ベクトルの計算	事前学習：固有値と固有ベクトル
第6回	ランダムサンプリング	事前学習：復元抽出と非復元抽出、シャッフル
第7回	関数の最小化	事前学習：最急降下法
第8回	中間チェックポイント	事前学習：行列計算、線形方程式、固有値と固有ベクトル、最適化
第9回	線形回帰	事前学習：線形回帰
第10回	主成分分析	事前学習：主成分分析
第11回	線形分類	事前学習：線形分類
第12回	クラスタリング	事前学習：クラスタリング
第13回	強化学習	事前学習：強化学習
第14回	機械学習活用	事前学習：線形回帰、線形分類、主成分分析、クラスタリング、強化学習
第15回	機械学習活用	事前学習：線形回帰、線形分類、主成分分析、クラスタリング、強化学習

成績評価方法

AI技術に関連した数学的知識やプログラミング能力の獲得についての達成度で成績評価を行う。テーマ毎に提示される演習課題と授業への参加態度を通じて到達目標の達成度を測る。基礎的なAI技術を説明できること、それをプログラミングによって実現できることが合格のための最低基準となる。ただし、未提出の演習課題があるまたは4回以上の欠席がある受講生は成績評価の対象に含めない。

履修上の注意

関連科目：プログラミング入門A、知識情報システム学演習1

教科書

授業中に資料を配付する．

Loading...

参考文献

なし

オフィスアワー

- 外部公開シラバスのためデータがありません / Please use UNIPA syllabus -

教員への連絡方法（メールアドレス等）

- 外部公開シラバスのためデータがありません / Please use UNIPA syllabus -