2025年 大学院理工学研究科 シラバス - 航空宇宙工学専攻
設置情報
| 科目名 | 最適化手法Ⅱ | ||
|---|---|---|---|
| 設置学科 | 航空宇宙工学専攻 | 学年 | 1年 |
| 担当者 | 宮嶋 宏行 | 履修期 | 後期 |
| 単位 | 2 | 曜日時限 | 土曜2 |
| 校舎 | 船橋 | 時間割CD | H62B |
| クラス | |||
概要
| 学修到達目標 | ・実社会におけるシステム設計問題を最適化問題として定式化し、数学的解法を利用して解くことができる。 ・「非線形計画法問題」と「機械学習」について説明し、実問題に応用できる。 |
|---|---|
| 授業形態及び 授業方法 |
「対面授業」 パワーポイントと板書を併用し講義を行う。１つの単元終了後には演習を行う。 |
|
準備学習（予習・ 復習等）の内容・ 受講のための 予備知識 |
解析学、線形代数、統計学を修得していることが望ましい。 最適化手法Ⅰを履修していることが望ましい。 |
授業計画
| 第1回 | ガイダンス：シラバスの確認 非線形計画(1)：非線形計画問題の定式化、凸計画問題（局所最適解と大域最適解、関数の勾配とヘッセ行列） | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
|---|---|---|---|
| 第2回 | 非線形計画(２)：制約なし最適化の解法（最急降下法、ニュートン法と準ニュートン法、反復法の収束性） | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第3回 | 非線形計画(３)：制約つき最適化の解法（最適性の条件、双対問題と双対定理） | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第4回 | 非線形計画(４)：制約つき最適化の解法（局所最適解のアルゴリズム：有効制約法、ペナルティ関数法とバリア関数法、拡張ラグランジュ関数法、内点法、逐次2次計画法） | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第5回 | 機械学習(1)：パーセプトロン、ニューラルネットワーク | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第6回 | 機械学習(2)：ニューラルネットの学習 | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第7回 | 機械学習(3)：誤差逆伝搬法 | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第8回 | 機械学習(4)：学習に関するテクニック | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第9回 | 機械学習(5)：畳み込みネットワーク（畳み込み層、プーリング層、CNNの実装、代表的なCNN） | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第10回 | 機械学習（６）：深層学習（代表的なモデル、物体検出、セグメンテーション、画像キャプション生成、文字認識、画像認識） | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第11回 | 機械学習(７)：深層学習（ディープラーニングの評価・計算環境・データセット） | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第12回 | 機械学習(８)：最短コースでわかるPyTorch&深層学習プログラミング | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第13回 | 機械学習（９）：ベイズ推論による学習と予測 | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第14回 | 機械学習（１０）：生成AIと大規模言語モデル | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
| 第15回 | まとめ AI研究・実用化の最前線 | 事前学習：クラスルームに掲載する配布資料を事前に読んでおくこと 事後学習：配布資料をもとに演習問題を自分で解いてみること | 事前学習：１時間 事後学習：３時間 |
その他
| 教科書 |
梅谷俊治 『しっかり学ぶ数理最適化 モデルからアルゴリズムまで（ISBN-13：978-4065212707）』 講談社 2020年
斎藤康毅 『ゼロから作るDeep Learning - Pythonで学ぶディープラーニングの理論と実装（ISBN-13：978-4873117584）』 オライリージャパン 2016年
|
|---|---|
| 参考資料コメント 及び 資料（技術論文等） |
赤石雅典 『最短コースでわかるPyTorch&深層学習プログラミング（ISBN-13：978-4296110322）』 日経BP 2021年
須山敦志 『ベイズ推論による機械学習入門（ISBN-13 : 978-4061538320）』 講談社 2017年
|
| 成績評価の方法 及び基準 |
演習40％、レポート60％（演習・レポートともにプログラミングを含む場合がある） |
| 質問への対応 | 授業中に理解できないところがあった場合，質問内容を整理し授業終了後に質問するか、もしくは電子メールで質問すること。なお、電子メールはGoogleクラスルームで案内する。 |
| 研究室又は 連絡先 |
|
| オフィスアワー | |
| 学生への メッセージ |