2025年度 (最新) 学院等開講科目 情報理工学院 数理・計算科学系 知能情報コース
知能情報特別講義S
- 開講元
- 知能情報コース
- 担当教員
- 渡部 卓雄 / 鈴村 豊太郎 / 町田 元也
- 授業形態
- 講義
- メディア利用科目
- -
- 曜日・時限
(講義室) - 集中講義等
- クラス
- -
- 科目コード
- ART.T454
- 単位数
- 200
- 開講時期
- 2025年度
- 開講クォーター
- 1～2Q
- シラバス更新日
- 2025年3月31日
- 使用言語
- 英語
シラバス
授業の目的（ねらい）、概要
本科目は、数理情報、知能情報、生命情報、社会情報などの幅広い情報学の最先端のトピックに外部講師によって、短期間に集中講義を行う。
本科目の狙いは、社会で活躍する一線の研究者による幅広い分野の研究の話題を講義することによって、学生の視野を広げることにある。
会情報などの幅広い情報学の最先端のトピックに外部講師によって、短期間に集中講義を行う。
本科目の狙いは、社会で活躍する一線の研究者に幅広い分野の研究の話題を講義していただくことによって、学生の視野を広げることにある。
前半7回の講義では、グラフ構造に対する深層学習手法であるグラフニューラルネットワークに関する講義を行う。モノ、ヒト・コトなどデジタル世界・物理世界における関係性を表現するデータ構造としてグラフ構造が一つの強力な手法である。そのグラフ構造の特徴を自動的に獲得する表現学習手法グラフニューラルネットワークGNNとその実世界応用（推薦システム、異常検知、新素材発見等）に関して学習する。
In the second half of lecture series, we present Markov chain Monte Carlo (MCMC) methods and closely related stochastic algorithms. We begin our discussion with the review of Markov chains and random algorithms in a general setting, preparing the stage for the study of various implementations of stochastic algorithms. We explore other interesting topics such as hidden Markov models, Langevin algorithms, and applications in Bayesian statistics.
到達目標
数理情報、知能情報、生命情報、社会情報に関する最先端のトピックに関する知識を修得できる。
キーワード
数理情報学、知能情報学、生命情報学、社会情報学
学生が身につける力
- 専門力
- 教養力
- コミュニケーション力
- 展開力 (探究力又は設定力)
- 展開力 (実践力又は解決力)
授業の進め方
担当講師が選んだトピックについての講義を行う．
授業計画・課題
| 授業計画 | 課題 | |
|---|---|---|
| 第1回 | グラフ構造・グラフ解析の実社会への応用 | グラフ理論 |
| 第2回 | グラフ構造特性の解析手法 | グラフ理論 |
| 第3回 | グラフニューラルネットワークの基礎 | 深層学習 |
| 第4回 | ヘテロジニアスグラフ構造に対するグラフニューラルネットワーク | 深層学習 |
| 第5回 | 時間的変化を持つ動的グラフ構造に対するグラフニューラルネットワーク | 深層学習 |
| 第6回 | グラフニューラルネットワークの推薦システムへの応用 | 深層学習 |
| 第7回 | グラフニューラルネットワークに関する最新研究動向 | 深層学習 |
| 第8回 | Motivation for Monte Carlo simulation / Rejection algorithm | Review for probabilistic approach and Monte Carlo simulation |
| 第9回 | Markov chain Monte Carlo method / Metropolis algorithm | Markov chains and sampling algorithm |
| 第10回 | Discrete structure and Gibbs sampler / Gibbs algorithm | Gibbs model and sampling algorithm |
| 第11回 | How long should you run it? / Perfect sampling algorithms | Coupling and perfect sampling methods |
| 第12回 | Hidden Markov model and dynamic decision making / Viterbi algorithm | Hidden Markov model |
| 第13回 | Brownian motion and Monte Carlo simulation / Langevin algorithm | Brownian motion and sampling algorithm |
| 第14回 | MCMC in practice / Bayesian computation | Bayesian methods and simulation |
準備学修(事前学修・復習)等についての指示
教科書
なし
参考書、講義資料等
講師が指定する
成績評価の方法及び基準
講義中の演習と終了後のレポートによる
関連する科目
- なし
履修の条件・注意事項
なし
その他
詳細については決まり次第掲示する．