検索

トップページ

担当別５０音一覧

科目	ニューロコンピュータ	区分	電子情報工学専攻
授業コード	42333	開講期	秋
曜日・時限	秋　金/34	単位数	2単位
担当者名	酒井　裕

授業の概要

人や動物の脳は、膨大な情報の中から重要な情報を効率的に抽出し、適切に意思決定するように、経験を通して学習する能力を持っている。現存するコンピュータには、到底実現できない能力である。この能力を実現するメカニズムは未だベールに包まれている。しかし、少なくともその一端を担っている脳の計算の仕組みは明らかになっている。ここでは、それらを工学的に応用したいくつかの計算アルゴリズムについて学ぶ。

到達目標	いくつかの脳の計算アルゴリズムを自ら数式を計算することを通して理解する。

授業計画	テーマ	内容
第1回目	パーセプトロン	パーセプトロンの概要の解説
第2回目	パーセプトロン	パーセプトロンの定式化の理解
第3回目	パーセプトロン	パーセプトロン学習の手順の理解
第4回目	パーセプトロン	パーセプトロン学習の収束の証明
第5回目	パーセプトロン	パーセプトロンのまとめと小脳との関係の解説
第6回目	連想記憶モデル	連想記憶モデルの概要の解説
第7回目	連想記憶モデル	連想記憶モデルの定式化の理解
第8回目	連想記憶モデル	Hebb学習の手順の理解
第9回目	連想記憶モデル	記憶パターンの安定性とアトラクタの理解
第10回目	連想記憶モデル	連想記憶モデルのまとめと海馬との関係の解説
第11回目	強化学習	強化学習の概要の解説
第12回目	強化学習	強化学習の定式化の理解
第13回目	強化学習	様々な強化学習則の手順の理解
第14回目	強化学習	定常状態の解析とマッチング行動
第15回目	強化学習	強化学習のまとめと基底核・皮質ループとの関係

使用テキスト	必要に応じて資料を配布
参考文献	Hertz, Krogh & Palmer, "Introduction to the Theory of Neural Computation", Addison-Wesley, 1991 Sutton & Barto, "Reinforcement learning", MIT press, 1998
成績評価方法	授業参加への姿勢とレポートで評価