京都工芸繊維大学 Webシラバス / Web Syllabus KYOTO INSTITUTE OF TECHNOLOGY シラバス詳細

科目詳細情報 / Course Syllabus

科目分類 / Subject Categories
学部等 / Faculty	大学院工芸科学研究科（博士前期課程） / Graduate School of Science and Technology (Master's Programs)	今年度開講 / Availability	有 / Available
学域等 / Field	＜その他＞ / <Other>	年次 / Year	１～２年次 / 1st through 2nd Year
課程等 / Program	専攻共通科目 / Program-wide Subjects	学期 / Semester	春学期 / Spring term
分類 / Category	授業科目 / Courses	曜日時限 / Day & Period	集中 / Intensive course

科目情報 / Course Information
時間割番号 / Timetable Number	64109906
科目番号 / Course Number	64161032
単位数 / Credits	2
授業形態 / Course Type	講義・演習 / Lecture/Practicum
授業科目名 / Course Title	人工知能 (機械学習）応用論Ⅰ / Artificial Intelligence (Machine Learning) Applied Theory Ⅰ
担当教員名 Instructor(s)	(趙　強福)、(門　勇一)、(渡部　有隆)、(富岡　洋一)、湯村　尚史、髙井　伸和、坂根　慎治、(齋藤　寛)、(奥山　祐市)
担当教員名 Instructor(s)	(ZHAO QIANGFU)、(KADO Yuichi)、(WATANOBE Yutaka)、(TOMIOKA Yoichi)、YUMURA Takashi、TAKAI Nobukazu、SAKANE Shinji、(SAITOH Hiroshi)、(OKUYAMA Yuichi)
その他 / Other	インターンシップ実施科目 Internship	国際科学技術コース提供科目 IGP	PBL実施科目 Project Based Learning	実務経験のある教員による科目 Practical Teacher
	-	-	○	-
	DX活用科目 ICT Usage in Learning	-	-	-
	○	-	-	-
科目ナンバリング / Numbering Code	-

授業の目的・概要 Objectives and Outline of the Course
本講義の目的は受講生が修士論文や博士論文研究に人工知能（機械学習）を応用するための基礎知識の習得とGoogleのクラウド上で機械学習を学べるGoogle Colaboratory （略称Colab）活用法の習得です。さらに、研究における実際の応用例を知ることにより、受講生が自身の研究にこれらの技術を応用する動機付けを図ることも目的にしています。受講生には電子・情報系専攻だけでなく機械系、材料系、生物系、デザイン・建築系専攻の大学院生及び学部生を想定しています。講師陣はコンピュータ理工学分野における研究・教育で優れた実績をもつ会津大学・コンピュータ理工学科の教員と、人工知能（機械学習）を研究に応用している本学教員により構成されています。　講義は学習管理システムMoodleを活用して、双方向のWebExミーティングによるオンライン講義で提供されます。また、Colabを活用して、機械学習(ML)の基礎や応用を学び、ニューラルネットワーク（NN）の訓練や評価を行う方法を学べます。受講生は講義録画で反復学習が可能であり、MoodleのQ＆Aフォーラムの機能を使って講義内容や毎回出題されるHomeworkに関する質問が出来ます。　魅力的な特徴は、情報科学センター・演習室の情報環境を利用して実施する「ものづくりプロジェクト」です。大規模NNを使ったMLの知識や理論を座学で学ぶだけでなく、実際にその知識を具体的な応用タスク（野生動物検出、自動運転）に適用する演習を通じて以下を学びます。(1) 「理論と実践のギャップの認識」、(2) 「実践的なスキルの習得」、(3) 「問題解決能力の向上」、(4) 「実社会への適用」。
The purpose of this lecture is to acquire basic knowledge for applying artificial intelligence (machine learning) (AI/ML) to master's thesis and doctoral dissertation research, and to learn how to use Google Colaboratory (abbreviated Colab) to learn ML on Google's cloud. Furthermore, by learning about practical applications in research, this course also aims to motivate students to apply these techniques to their own research. The course is intended to include graduate and undergraduate students not only majoring in electronics and information, but also in mechanical, materials, biology, design and architecture. The lecturers are comprised of faculty members from the University of Aizu's Department of Computer Science and Engineering, who have an excellent track record in research and education in the field of computer science and engineering, and the faculty members of KIT who explore the application of AI/ML technologies to their own research project. Lectures will be delivered online through interactive WebEx meetings using the learning management system Moodle. You can also use Colab to learn the basics and applications of ML, and learn how to train and evaluate neural networks (NN). Students can repeat learning with recorded lectures, and can use Moodle's Q&A forum function to ask questions about the lecture content and the homework that is asked each time. An attractive feature is the "manufacturing projects" that are carried out using the information environment of the Information Science Center and Seminar Room. In addition to learning the knowledge and theory of ML using large-scale neural networks through classroom lectures, you will also learn the following through practical exercises that apply that knowledge to specific application tasks (wild animal detection, autonomous driving). (1) "Recognizing the gap between theory and practice"; (2) “Acquiring practical skills"; (3) "Improvement of problem-solving ability"; (4) "Real-world application".

授業の目的・概要
Objectives and Outline of the Course

　本講義の目的は受講生が修士論文や博士論文研究に人工知能（機械学習）を応用するための基礎知識の習得とGoogleのクラウド上で機械学習を学べるGoogle Colaboratory （略称Colab）活用法の習得です。さらに、研究における実際の応用例を知ることにより、受講生が自身の研究にこれらの技術を応用する動機付けを図ることも目的にしています。受講生には電子・情報系専攻だけでなく機械系、材料系、生物系、デザイン・建築系専攻の大学院生及び学部生を想定しています。講師陣はコンピュータ理工学分野における研究・教育で優れた実績をもつ会津大学・コンピュータ理工学科の教員と、人工知能（機械学習）を研究に応用している本学教員により構成されています。
　講義は学習管理システムMoodleを活用して、双方向のWebExミーティングによるオンライン講義で提供されます。また、Colabを活用して、機械学習(ML)の基礎や応用を学び、ニューラルネットワーク（NN）の訓練や評価を行う方法を学べます。受講生は講義録画で反復学習が可能であり、MoodleのQ＆Aフォーラムの機能を使って講義内容や毎回出題されるHomeworkに関する質問が出来ます。
　魅力的な特徴は、情報科学センター・演習室の情報環境を利用して実施する「ものづくりプロジェクト」です。大規模NNを使ったMLの知識や理論を座学で学ぶだけでなく、実際にその知識を具体的な応用タスク（野生動物検出、自動運転）に適用する演習を通じて以下を学びます。(1) 「理論と実践のギャップの認識」、(2) 「実践的なスキルの習得」、(3) 「問題解決能力の向上」、(4) 「実社会への適用」。

The purpose of this lecture is to acquire basic knowledge for applying artificial intelligence (machine learning) (AI/ML) to master's thesis and doctoral dissertation research, and to learn how to use Google Colaboratory (abbreviated Colab) to learn ML on Google's cloud. Furthermore, by learning about practical applications in research, this course also aims to motivate students to apply these techniques to their own research. The course is intended to include graduate and undergraduate students not only majoring in electronics and information, but also in mechanical, materials, biology, design and architecture. The lecturers are comprised of faculty members from the University of Aizu's Department of Computer Science and Engineering, who have an excellent track record in research and education in the field of computer science and engineering, and the faculty members of KIT who explore the application of AI/ML technologies to their own research project.
Lectures will be delivered online through interactive WebEx meetings using the learning management system Moodle. You can also use Colab to learn the basics and applications of ML, and learn how to train and evaluate neural networks (NN). Students can repeat learning with recorded lectures, and can use Moodle's Q&A forum function to ask questions about the lecture content and the homework that is asked each time.
An attractive feature is the "manufacturing projects" that are carried out using the information environment of the Information Science Center and Seminar Room. In addition to learning the knowledge and theory of ML using large-scale neural networks through classroom lectures, you will also learn the following through practical exercises that apply that knowledge to specific application tasks (wild animal detection, autonomous driving). (1) "Recognizing the gap between theory and practice"; (2) “Acquiring practical skills"; (3) "Improvement of problem-solving ability"; (4) "Real-world application".

学習の到達目標 Learning Objectives
1．工学における様々な問題に人工知能（機械学習）を応用する際に重要な知識（人工知能の歴史、問題の定式化、探索、推論）の習得、パターン分類、パターン認識の概念を理解する。 2．上記の概念とデータ解析、画像処理、音声認識、自然言語処理などの応用領域との関連を理解する。 3．機械学習の例として、決定木とアプローチの異なるニューラルネットワークと言う手法の基礎を理解する。 4．人工知能応用の視点で重要な機械学習手法である Support Vector Machine、Ensemble Learning、Random Forest、K-means（k平均法）等を理解する。 5．深層ニューラルネットワーク（Deep Neural Network, DNN）に関する基礎理論を学び、Colabを用いてDNNの定義、学習、評価を行うスキルを習得する。 6．深層学習（Deep Learning）を「野生動物検出」と「自動運転」に応用する演習を通じて「理論と実践のギャップの認識」、「実践的なスキルの習得」、「問題解決能力の向上」を図る。
1．Learn important knowledge (history of artificial intelligence, problem formulation, exploration, inference) when applying artificial intelligence (machine learning) to various engineering problems, and understand the concepts of pattern classification and pattern recognition. 2．Understand the relationship between the above concepts and applied areas such as data analysis, image processing, speech recognition, and natural language processing. 3．As an example of machine learning, we will understand the basics of decision trees and neural networks, which have different approaches. 4．Understand the important machine learning methods from the perspective of artificial intelligence applications, such as Support Vector Machine, Ensemble Learning, Random Forest, and K-means. 5．Learn the basic theory of deep neural networks (DNNs) and acquire the skills to define, train, and evaluate DNNs using Colab. 6．Through exercises that apply deep learning to "wild animal detection" and "self-driving", aim to "recognize the gap between theory and practice," "acquire practical skills," and "improve problem-solving abilities." .

学習の到達目標
Learning Objectives

1．工学における様々な問題に人工知能（機械学習）を応用する際に重要な知識（人工知能の歴史、問題の定式化、探索、推論）の習得、パターン分類、パターン認識の概念を理解する。
2．上記の概念とデータ解析、画像処理、音声認識、自然言語処理などの応用領域との関連を理解する。
3．機械学習の例として、決定木とアプローチの異なるニューラルネットワークと言う手法の基礎を理解する。
4．人工知能応用の視点で重要な機械学習手法である Support Vector Machine、Ensemble Learning、Random Forest、K-means（k平均法）等を理解する。
5．深層ニューラルネットワーク（Deep Neural Network, DNN）に関する基礎理論を学び、Colabを用いてDNNの定義、学習、評価を行うスキルを習得する。
6．深層学習（Deep Learning）を「野生動物検出」と「自動運転」に応用する演習を通じて「理論と実践のギャップの認識」、「実践的なスキルの習得」、「問題解決能力の向上」を図る。

1．Learn important knowledge (history of artificial intelligence, problem formulation, exploration, inference) when applying artificial intelligence (machine learning) to various engineering problems, and understand the concepts of pattern classification and pattern recognition.
2．Understand the relationship between the above concepts and applied areas such as data analysis, image processing, speech recognition, and natural language processing.
3．As an example of machine learning, we will understand the basics of decision trees and neural networks, which have different approaches.
4．Understand the important machine learning methods from the perspective of artificial intelligence applications, such as Support Vector Machine, Ensemble Learning, Random Forest, and K-means.
5．Learn the basic theory of deep neural networks (DNNs) and acquire the skills to define, train, and evaluate DNNs using Colab.
6．Through exercises that apply deep learning to "wild animal detection" and "self-driving", aim to "recognize the gap between theory and practice," "acquire practical skills," and "improve problem-solving abilities." .

授業計画項目 / Course Plan
No.	項目 Topics	内容 Content	オンライン授業 online class
1.	人工知能の概要	- 人工知能とは？ - 関連研究領域 - 人工知能の歴史 - 歴史的人物
1.	Overview of artificial intelligence	- What is artificial intelligence? - Related research area - History of artificial intelligence - Historical person
2.	問題の定式化	- 機械学習とは？（解決可能問題と解決不可能問題） - 機械学習における入力データ（特徴量）、出力（目的変数）、及び評価指標 - 工学における応用事例 - 制約条件と実用性の考慮
2.	Problem formulation	- What is machine learning? (Solvable and unsolvable problems) - Input data (features), output (target variables), and evaluation indices in machine learning - Application examples in engineering - Consideration of constraints and practicality
3.	探索その１	- ランダム探索 - Closed リスト - Open リスト - 深さ優先探索 - 幅優先探索 - 均一コスト探索
3.	Search part 1	- Random search - Closed list - Open list - Depth-first search - Breadth-first search - Uniform cost search
4.	探索その２	- ヒュリスティックとは？ - 最良優先探索 - A*アルゴリズム
4.	Search part 2	- What is huristic? - Best-first search - A * algorithm
5.	述語論理、決定木	- 述語論理とは？ - 項、論理式、節形式、論理式の標準化 - 単一化と導出 - 節集合とそれに基づく形式的証明 - 決定木の定義 - 決定に基づく推論 - 決定木の設計 - フォレスト：決定木のアンサンブル
5.	Predicate logic and decision tree	- What is predicate logic? - Standardization of terms, formulas, clause forms, and formulas - Unification and derivation - A set of clauses and a formal proof based on it - Definition of decision tree - Decision-based reasoning - Decision tree design - Forest: Ensemble of decision trees
6.	ニューロンモデルから階層型ニューラルネットワーク	- ニューラルネットワークの歴史 - ニューロンモデルと階層型ニューラルネットワーク - 階層型ニューラルネットワークの学習 - 計算グラフと自動微分 - 勾配消失問題 - TensorFlowを用いたニューラルネットワークの定義と学習
6.	Hierarchical neural networks from neuron models	- History of Neural Networks - Neuron Model and Hierarchical Neural Networks - Learning in Hierarchical Neural Networks - Computational Graphs and Automatic Differentiation - Vanishing Gradient Problem - Defining and Training Hierarchical Neural Networks with TensorFlow
7.	畳み込みニューラルネットワーク	- CNNの構成と原理 - CNNの学習 - CNNの代表例 - 転移学習 - 画像認識タスク - TensorFlowを用いたCNNの定義と学習
7.	Convolutional neural networks	- Structure and Principles of CNN Training of CNN - Representative Examples of CNN Transfer Learning - Image Recognition Tasks - Defining and Training CNN with TensorFlow
8.	AI/MLと回路工学	- 回路工学における人工知能・機械学習の応用
8.	AI/ML and circuit technology	- Application of artificial intelligence and machine learning to circuit engineering
9.	AI/MLと物質・材料科学	- 物質・材料化学における人工知能・機械学習の応用 - 物質の構造と機能の相関性 - 材料化学における量子化学計算の役割 - 群知能および粒子群最適化 - 粒子群最適化を用いた量子化学計算の高速化
9.	AI/ML and material chemistry	- Applications of AI/ML to Material Chemistry - Relationships between material structure and function - Roles of quantum chemistry calculations to Material Chemistry - Swarm intelligence & Particle Swarm optimization (PSO) - PSO accelerad Quantum chemistry calculations
10.	AI/MLと計算材料科学	- 計算材料科学における人工知能・機械学習の応用
10.	AI/ML and computational materials science	- Applications of AI/ML in Computational Materials Science
11.	機械学習の実装（Google Colaboratoryを用いた演習）	- 深層ニューラルネットワーク（Deep Neural Network, DNN）に関する基礎理論を習得、 - ColabとTensorFlowを用いてDNNの定義、学習、評価を行うスキルを習得
11.	Implementation of machine learning (exercises using Google Colaboratory)	- Learn the basic theory of deep neural networks (DNN), - Learn skills to define, train, and evaluate DNNs using Colab and TensorFlow
12.	機械学習の応用I -1- 　8月1日（金）情報科学センター演習室にて集中演習として実施	- 目的：野生動物の認識を例として、深層学習に基づく物体検出・認識を理解する。 - 必要な知識: 畳み込みニューラルネットワーク、転移学習。TensorFlowとKerasを利用 - 必要な環境・ツール: Google Colaboratory - 実装演習：開発したモデルをラズベリーパイにデプロイ（ラズベリーパイはTensorFlow Liteを導入）
12.	Applications of Machine Learning I -1- Held as an intensive exercise on August 1st (Friday) at the Information Science Center Exercise Room	- Objective: Understand object detection and recognition based on deep learning using wild animal recognition as an example. - Required knowledge: Convolutional neural networks, transfer learning. Utilizes TensorFlow and Keras - Required environment/tools: Google Colaboratory - Implementation exercise: Deploy the developed model to Raspberry Pi (Raspberry Pi uses TensorFlow Lite)
13.	機械学習の応用I -2- 　8月1日（金）情報科学センター演習室にて集中演習として実施	- 目的：野生動物の認識を例として、深層学習に基づく物体検出・認識を理解する。 - 必要な知識: 畳み込みニューラルネットワーク、転移学習。TensorFlowとKerasを利用 - 必要な環境・ツール: Google Colaboratory - 実装演習：開発したモデルをラズベリーパイにデプロイ（ラズベリーパイはTensorFlow Liteを導入）
13.	Applications of Machine Learning I -2- Held as an intensive exercise on August 1st (Friday) at the Information Science Center Exercise Room	- Objective: Understand object detection and recognition based on deep learning using wild animal recognition as an example. - Required knowledge: Convolutional neural networks, transfer learning. Utilizes TensorFlow and Keras - Required environment/tools: Google Colaboratory - Implementation exercise: Deploy the developed model to Raspberry Pi (Raspberry Pi uses TensorFlow Lite)
14.	機械学習の応用II -1- 　8月1日（金）情報科学センター演習室にて集中演習として実施	以下の演習を実施 - 自動運転: Donkeycar simulatorを使った自動走行実験 - 目的：機械学習を利用するために必要な，データの取得，学習，推論の一連の流れを経験し，指定されたレーストラックを１周するためのデータを作成する
14.	Applications of Machine Learning II -1- Held as an intensive exercise on August 1st (Friday) at the Information Science Center Exercise Room	Perform the following exercises in two parts - self-driving: Autonomous driving experiment using Donkeycar simulator - Purpose: Experience the sequence of data acquisition, learning, and inference necessary to use machine learning, and create data to go around the specified race track.
15.	機械学習の応用II -2-　8月1日（金）情報科学センター演習室にて集中演習として実施	以下の演習を実施 - 自動運転: Donkeycar simulatorを使った自動走行実験 - 目的：機械学習を利用するために必要な，データの取得，学習，推論の一連の流れを経験し，指定されたレーストラックを１周するためのデータを作成する
15.	Applications of Machine Learning II -2- Held as an intensive exercise on August 1st (Friday) at the Information Science Center Exercise Room	Perform the following exercises in two parts - self-driving: Autonomous driving experiment using Donkeycar simulator - Purpose: Experience the sequence of data acquisition, learning, and inference necessary to use machine learning, and create data to go around the specified race track.

授業時間外学習（予習・復習等） Required study time, Preparation and review
講義ではMoodleを活用します。＜Moodle「人工知能 (機械学習）応用論Ⅰ2025」に登録してください！＞下記MoodleのURLに本講義の魅力的な詳細内容が記載されています！！アクセスして報告関連資料をご覧ください！！ https://moodle.cis.kit.ac.jp/course/view.php?id=61579 1) 機械系、材料系からの受講生も歓迎します。機械学習を修士論文研究等に応用することを目指して、受講してください。 2) 授業はonlineで行い、Moodleを活用します。毎回の授業内容を録画し、Moodleに載せますので、授業中にわからない部分があったら、後でご覧ください。 3) 11回目はオンラインで7月31日（木）実施予定です。 4) 12回目～15回目の演習は対面で8月1日（金）実施予定です。演習内容を以下に記載します - 演習の内容使用するNetworkの理解，システムの理解 Simulatorからの教師信号の取得 Google Colaboratory(またはGPU)を使った学習 SimulatorとPythonを使った推論，及び走行実験本学では1単位当たりの学修時間を45時間としています。毎回の授業にあわせて事前学修・事後学修を行ってください。
1) It is advisable to take this course after taking linear algebra. 2) We also welcome students from mechanical and materials fields. Please take this course with the aim of applying machine learning to master's thesis research. 3) All lessons will be conducted online and Moodle will be used. We will record the content of each lesson and post it on Moodle, so if you have any questions during the lesson, please see later. 4) The 11th class will be held online on July 31. 5) The 12th and 15th exercises will be conducted face-to-face on August 1. Information about the exercises is listed below --Required knowledge: Hierarchical neural network (convolution, fully connected layer) --Necessary development environment / equipment / tools Windows or Linux machine Google Colaboratory or GPU Joystick (Logitech Joypad) --Exercise content Understanding the network used, understanding the system Getting the teacher signal from the Simulator Learning with Google Colaboratory (or GPU) Inference and running experiments using Simulator and Python Please note that KIT requires 45 hours of study from students to award one credit, including both in-class instructions as well as study outside classes. Students are required to prepare for each class and complete the review after each class.

授業時間外学習（予習・復習等）
Required study time, Preparation and review

講義ではMoodleを活用します。＜Moodle「人工知能 (機械学習）応用論Ⅰ2025」に登録してください！＞

下記MoodleのURLに本講義の魅力的な詳細内容が記載されています！！
アクセスして報告関連資料をご覧ください！！

https://moodle.cis.kit.ac.jp/course/view.php?id=61579

1) 機械系、材料系からの受講生も歓迎します。機械学習を修士論文研究等に応用することを目指して、受講してください。

2) 授業はonlineで行い、Moodleを活用します。毎回の授業内容を録画し、Moodleに載せますので、授業中にわからない部分があったら、後でご覧ください。

3) 11回目はオンラインで7月31日（木）実施予定です。

4) 12回目～15回目の演習は対面で8月1日（金）実施予定です。演習内容を以下に記載します
- 演習の内容
使用するNetworkの理解，システムの理解
Simulatorからの教師信号の取得
Google Colaboratory(またはGPU)を使った学習
SimulatorとPythonを使った推論，及び走行実験
本学では1単位当たりの学修時間を45時間としています。毎回の授業にあわせて事前学修・事後学修を行ってください。

1) It is advisable to take this course after taking linear algebra.

2) We also welcome students from mechanical and materials fields. Please take this course with the aim of applying machine learning to master's thesis research.

3) All lessons will be conducted online and Moodle will be used. We will record the content of each lesson and post it on Moodle, so if you have any questions during the lesson, please see later.

4) The 11th class will be held online on July 31.

5) The 12th and 15th exercises will be conducted face-to-face on August 1. Information about the exercises is listed below
--Required knowledge: Hierarchical neural network (convolution, fully connected layer)
--Necessary development environment / equipment / tools
Windows or Linux machine
Google Colaboratory or GPU
Joystick (Logitech Joypad)
--Exercise content
Understanding the network used, understanding the system
Getting the teacher signal from the Simulator
Learning with Google Colaboratory (or GPU)
Inference and running experiments using Simulator and Python
Please note that KIT requires 45 hours of study from students to award one credit, including both in-class instructions as well as study outside classes. Students are required to prepare for each class and complete the review after each class.

教科書／参考書 Textbooks/Reference Books
教科書；趙　強福、樋口　龍雄、人工知能―AIの基礎から知的探索へ、共立出版, ISBN: 978-4-320-12419-6 参考書； [1] 人工知能概論、荒屋　真二著、共立出版、ISBN4-320-12116-3 [2] 新しい人工知能（基礎編）、前田　隆、青木　文夫共著、オーム社、ISBN4-274-13179 [3] 　新世代工学シリーズ、人工知能、溝口　理一郎、石田亨、オーム社、ISBN4-274-13200-5 [4] Artificial Intelligence: a modern approach, S. Russell and P. Norvig, Prentice Hall, ISBN0-13-080302-2
Textbooks; Zhao Koufu, Higuchi Tatsuo, Artificial Intelligence-From AI Basics to Intellectual Search, Kyoritsu Shuppan, ISBN: 978-4-320-12419-6 Reference book; [1] 人工知能概論、荒屋　真二著、共立出版、ISBN4-320-12116-3 [2] 新しい人工知能（基礎編）、前田　隆、青木　文夫共著、オーム社、ISBN4-274-13179 [3] 新世代工学シリーズ、人工知能、溝口　理一郎、石田亨、オーム社、ISBN4-274-13200-5 [4] Artificial Intelligence: a modern approach, S. Russell and P. Norvig, Prentice Hall, ISBN0-13-080302-2

教科書／参考書
Textbooks/Reference Books

教科書；趙　強福、樋口　龍雄、人工知能―AIの基礎から知的探索へ、共立出版, ISBN: 978-4-320-12419-6
参考書；
[1] 人工知能概論、荒屋　真二著、共立出版、ISBN4-320-12116-3
[2] 新しい人工知能（基礎編）、前田　隆、青木　文夫共著、オーム社、ISBN4-274-13179
[3] 　新世代工学シリーズ、人工知能、溝口　理一郎、石田亨、オーム社、ISBN4-274-13200-5
[4] Artificial Intelligence: a modern approach, S. Russell and P. Norvig, Prentice Hall, ISBN0-13-080302-2

Textbooks; Zhao Koufu, Higuchi Tatsuo, Artificial Intelligence-From AI Basics to Intellectual Search, Kyoritsu Shuppan, ISBN: 978-4-320-12419-6
Reference book;
[1] 人工知能概論、荒屋　真二著、共立出版、ISBN4-320-12116-3
[2] 新しい人工知能（基礎編）、前田　隆、青木　文夫共著、オーム社、ISBN4-274-13179
[3] 新世代工学シリーズ、人工知能、溝口　理一郎、石田亨、オーム社、ISBN4-274-13200-5
[4] Artificial Intelligence: a modern approach, S. Russell and P. Norvig, Prentice Hall, ISBN0-13-080302-2

成績評価の方法及び基準 Grading Policy
◆　１）Homework　基礎レベル：評点60点以下宿題（or 演習）の内、「アルゴリズムの説明に関する記述を完成する」課題。第8週〜第11週は、講義内容に関する課題。この課題を全て提出すれば60点。 ◆　２）Homework　応用基礎レベル：評点61～69点宿題（or 演習）の内、上記１）に加えて、「プログラムの実行と結果のまとめを完成する」課題。プログラム演習についてはPythonとGoogle Colaboratoryを主に使う予定です。一部の講義では下記のAOJを使います（詳細は講義中に資料提供と説明があります） ◆　３）Homework　チャレンジレベル（プロジェクト形式の演習を含む；第8週〜第11週は追加的なレポート課題が出題される場合があります）：評点70～100点 ①AOJでプログラムを提出し、より高い能力を獲得すべく努力する。 ②「モノづくりプロジェクト」（Lecture12～15に相当します。8月1日（金）に集中して、本学内の実験室にて実施予定）に参加し、応用力と実践力を身に付ける。実施日8月1日（金）に参加できない受講生に配慮して、オンライン演習課題を提示する。詳しくははMoodleに記載しています。
◆ 1) Homework basic level: 60 points or less Among the homework (or exercises), the task of "complete the description of the algorithm explanation". For the 8th to 10th classes, questions about each lecture. 60 points if you submit all the assignments. ◆ 2) Homework application basic level: 61 to 69 points Of the homework (or practice), in addition to 1) above, the task of "complete the execution of the program and the summary of the results". I plan to mainly use Python and Google Colaboratory for programming exercises. The following AOJ will be used in some lectures (details will be provided and explained during the lecture) ◆ 3) Homework Challenge Level (including project-style exercises; for the 8th to 10th classes, additional report might be given.): 70 to 100 points (1) Submit a program at AOJ and strive to acquire higher abilities. Reference: AOJ (Aizu Online Judge: onlinejudge.u-aizu.ac.jp) is an online scoring system for programming problems that anyone can use. (2) Participate in the "Monozukuri Project" (corresponding to Lectures 12-15, scheduled to be held on August 4th (Friday) at the university's laboratory) to acquire application and practical skills . In consideration of students who cannot participate on Friday, August 4, we will present online exercises. Details will also be described in Moodle

成績評価の方法及び基準
Grading Policy

◆　１）Homework　基礎レベル：評点60点以下
宿題（or 演習）の内、「アルゴリズムの説明に関する記述を完成する」課題。第8週〜第11週は、講義内容に関する課題。
この課題を全て提出すれば60点。
◆　２）Homework　応用基礎レベル：評点61～69点
宿題（or 演習）の内、上記１）に加えて、「プログラムの実行と結果のまとめを完成する」課題。プログラム演習についてはPythonとGoogle Colaboratoryを主に使う予定です。一部の講義では下記のAOJを使います（詳細は講義中に資料提供と説明があります）
◆　３）Homework　チャレンジレベル（プロジェクト形式の演習を含む；第8週〜第11週は追加的なレポート課題が出題される場合があります）：評点70～100点
①AOJでプログラムを提出し、より高い能力を獲得すべく努力する。
②「モノづくりプロジェクト」（Lecture12～15に相当します。8月1日（金）に集中して、本学内の実験室にて実施予定）に参加し、応用力と実践力を身に付ける。実施日8月1日（金）に参加できない受講生に配慮して、オンライン演習課題を提示する。
詳しくははMoodleに記載しています。

◆ 1) Homework basic level: 60 points or less
Among the homework (or exercises), the task of "complete the description of the algorithm explanation". For the 8th to 10th classes, questions about each lecture.
60 points if you submit all the assignments.
◆ 2) Homework application basic level: 61 to 69 points
Of the homework (or practice), in addition to 1) above, the task of "complete the execution of the program and the summary of the results". I plan to mainly use Python and Google Colaboratory for programming exercises. The following AOJ will be used in some lectures (details will be provided and explained during the lecture)
◆ 3) Homework Challenge Level (including project-style exercises; for the 8th to 10th classes, additional report might be given.): 70 to 100 points
(1) Submit a program at AOJ and strive to acquire higher abilities.
Reference: AOJ (Aizu Online Judge: onlinejudge.u-aizu.ac.jp) is an online scoring system for programming problems that anyone can use.
(2) Participate in the "Monozukuri Project" (corresponding to Lectures 12-15, scheduled to be held on August 4th (Friday) at the university's laboratory) to acquire application and practical skills . In consideration of students who cannot participate on Friday, August 4, we will present online exercises.
Details will also be described in Moodle

留意事項等 Point to consider
-
-