220 件ヒット (0.04秒)：
Google Classroomのクラスコードは工学部Webページにて確認すること。
学部シラバス・時間割(https://www.eng.tohoku.ac.jp/edu/syllabus-ug.html)
１． 目的 コンピュータを用いたパターン認識について、理論と応用の両面から述べる。
２．概要
パターン認識の一般的枠組みについて述べた後、分類・認識の理論として古典的な統計的パターン認識の理論、さらに最近のニューラルネットワークやHidden Markov Modelの理論を、実例を示しながら説明する。
３．達成目標等
パターン認識の理論と、実際に適用する場合の問題点であるパラメータ数に比べデータ数が少ないという問題を解決する方法を理解し,実際の問題を解決できるパターン認識システム構築法を修得する。
講義の案内・資料配布はGoogle Classroom 上で行います。令和５年度はクラスコード tfg4xhd で参加してください。
The class code for Google Classroom can be found on the Web site of
the School of Engineering:
https://www.eng.tohoku.ac.jp/edu/syllabus-ug.html (JP Only)
Purpose:
To understand pattern recognition by computer from theoretical background and application aspect.
Overview:
Theoretical background of pattern recognition, neural network and hidden Markov models, and other advanced pattern recognition systems
Goals
To understand relation between sample size and model parameter size, discrimination border and discrimination power, overfitting and other concepts of pattern recognition.
Participate the class via Google Classroom with class code tfg4xhd in 2023.
「人工知能」を支える基盤技術の一つである機械学習について学ぶ．
線形分類器やサポートベクトルマシン，決定木，ニューラルネットワークなどについて，サンプルコードを動かしながらその動作を確認し，プログラムの処理の流れを理解できるようにする．
The purpose of this course is to study Machine Learning, an important sub-area of Artificial Intelligence. This course is designed to help students understand some key technologies such as linear classifiers, support vector machines, decision trees and neural networks, through the process of running sample codes and developing Python programs.
目的：
機械学習で使用されるアルゴリズムについて学び，理解を深める．
概要：
機械学習は世界的に着目されており，既存のライブラリ等を使用すれば誰でも簡単に機械学習ができるようになりました．では，そのライブラリの中では実際にどのような計算が行われているのでしょうか？本授業では，機械学習をより良く利用する上で重要な，いくつかのアルゴリズムを学びます．
Object:
In this course, students will learn about several algorithms used in machine learning.
Summary:
Machine learning becomes an increasingly important topic of artificial intelligence. There exist many machine learning libraries which are used by not only experts but also beginners. So what kinds of algorithms are actually performed in that library? In this course, students will learn several algorithms that are important for making better use of machine learning.
Google Classroomのクラスコードは工学研究科Webページ
https://www.eng.tohoku.ac.jp/edu/syllabus-g.html
（大学院シラバス・時間割・履修登録）にて確認すること。
制御・信号処理等の工学の諸分野あるいは情報科学の応用を意識しつつ，確率論・統計学および確率過程を基礎とする確率的情報処理の十分な理解を与える．特にベイズ統計にもとづく予測・推論のモデル化，情報統計力学の導入によるアルゴリズム化について画像処理，パターン認識，確率推論などを例として講義する．
また，確率的情報処理によるデータに内在するゆらぎの取り扱いにも触れ，さらに量子確率場をもちいた情報処理，複雑ネットワーク科学の最近の展開についても概説する．
本講義は google classroom 上のGoogle Meets によるオンライン授業として行う．
本講義のクラスコードは工学研究科Webページ https://www.eng.tohoku.ac.jp/edu/syllabus-g.html の中の【Google Classroomコード一覧】で「機械・知能系」を選択した上で各自確認した上で受講すること．
The class code for Google Classroom can be found on the Web site of the School of Engineering:
https://www.eng.tohoku.ac.jp/english/academics/master.html (under "Timetable & Course Description")
Applications to many fields in engineering like control, signal processing etc. and in information sciences are in mind through the lecture course for the basic knowledge of statistical machine learning theory as well as stochastic processes. Brief introduction will be given to methods for applications like statistical estimation etc., and to the relationship with statistical-mechanical informatics. We first lecture probability and statistics and their fundamental properties and explain the basic frameworks of Bayesian estimation and maximum likelihood estimation. Particularly, we show EM algorithm as one of familiar computational schemes to realize the maximum likelihood estimation. As one of linear statistical models, we introduce Gaussian graphical model and show the explicit procedure for Bayesian estimation and EM algorithm from observed data. We show some useful probabilistic models which are applicable to probabilistic information processing in the stand point of Bayesian estimation. We mention that some of these models can be regarded as physical models in statistical mechanics. Fundamental structure of belief propagation methods are reviewed as powerful key algorithms to compute some important statistical quantities, for example, averages, variances and covariances. Particularly, we clarify the relationship between belief propagations and some approximate methods in statistical mechanics. As ones of application to probabilistic information processing based on Bayesian estimation and maximum likelihood estimations, we show probabilistic image processing and probabilistic reasoning. Moreover, we review also quantum-mechanical extensions of probabilistic information processing.
The lectures of the present class is provided as online from Google Meets in the google classroom of the present class.
The Google class code of Google Classroom for this year of the present lecture is available at "Mechanical and Aerospace Engineering" in "Timetable & Course Description" of the following website
https://www.eng.tohoku.ac.jp/english/academics/master.html
Students should confirm the Goole class code by temselves before taking the present class.
医療分野における人工知能の役割とその基盤技術である機械学習について学ぶ。特に、クラスタリング、深層学習、強化学習について、手を動かしながらシステムを作成し、実データを処理する過程で、医療分野における機械学習について理解を深める。プログラミング言語pythonの基礎と機械学習で重要な役割を持つ数値計算ライブラリの使い方を習得する。
In this course, students will learn about the role of artificial intelligence in the medical fields and fundamental concepts and skills of machine learning.
To deepen own understanding of clustering, deep learning and reinforcement learning, etc, which are the fundamental components of machine learning, by hands-on programming.
To learn about programming language Python and how to use a numerical calculation library which has the important role of machine learning.
医療分野における人工知能の役割とその基盤技術である機械学習について学ぶ。特に、クラスタリング、深層学習、強化学習について、手を動かしながらシステムを作成し、実データを処理する過程で、医療分野における機械学習について理解を深める。プログラミング言語pythonの基礎と機械学習で重要な役割を持つ数値計算ライブラリの使い方を習得する。
In this course, students will learn about the role of artificial intelligence in the medical fields and fundamental concepts and skills of machine learning.
To deepen own understanding of clustering, deep learning and reinforcement learning, etc, which are the fundamental components of machine learning, by hands-on programming.
To learn about programming language Python and how to use a numerical calculation library which has the important role of machine learning.
Google Classroomのクラスコードは工学研究科Webページ
https://www.eng.tohoku.ac.jp/edu/syllabus-g.html
（大学院シラバス・時間割・履修登録）にて確認すること。
コンピュータビジョンの様々な問題とその解決方法を説明する．問題とは，物体やシーンを撮影した画像から，それらに関する何らかの情報，例えばシーンの３次元形状や物体のカテゴリ名などを推定する逆問題のことである．関連する基本的概念を説明した上で，コンピュータビジョンの問題への複数のアプローチの方法を，特に深層学習による方法を中心に解説する．
The class code for Google Classroom can be found on the Web site of the School of Engineering:
https://www.eng.tohoku.ac.jp/english/academics/master.html (under "Timetable & Course Description")
This course explains various problems of computer vision and their solutions. The problems are basically inverse-problems in which we wish to estimate some information about an object or a scene from their image(s), such as the categories of objects and the three-dimensional shape of a scene. Students will first learn a series of fundamental concepts, and then study a number of approaches to the problems of computer vision, where the main focus is on deep learning methods.
Google Classroom class code: miblimm
大学院シラバス・時間割・履修登録(https://www.eng.tohoku.ac.jp/edu/syllabus-g.html)
ニューロモルフィックデバイス工学
This class is given using Google Classroom. (class code: cg3zovd)
脳では従来のノイマン型コンピュータよりも効率的で高度な情報処理が行われている。そこで現在のコンピュータの限界を超える情報処理システムとしての観点から脳・神経システムに関して講述する。神経系の基本素子としてのニューロンの構造と機能に関して詳細に学んだ後、脳・神経の構造と機能を模倣・利用したデバイス、およびシステム集積に必要な概念やテクノロジを学ぶ。
Timetable & Course Description(https://www.eng.tohoku.ac.jp/english/academics/master.html)
NEUROMORPHIC DEVICE ENGINEERING
This class is given using Google Classroom. (class code: cg3zovd)
Compared to conventional Neumann-type computing, high-performance and highly efficient signal processing is performed in the human brain. In this course, we'll review the brain and nervous systems from the point of view of signal processing systems beyond the present computing. The students will be able to:
・Understand the detailed structures and functions of neurons as a basic neural element.
・Learn about neuromorphic devices and system integration concepts/technology.
Google Classroomのクラスコードは工学部Webページにて確認すること。
学部シラバス・時間割(https://www.eng.tohoku.ac.jp/edu/syllabus-ug.html)
１．目的：今日の社会基盤の整備や運用において，情報通信技術は必要不可欠である．本演習では，その基礎となる情報処理技術の理論・アルゴリズムと実際のシステム構築手法について学ぶ．
２．概要：本演習では，社会基盤の整備や運用に必要とされる情報処理技術として，画像処理，地形情報処理，シミュレーション，空間情報処理，遺伝的アルゴリズムニューラルネットワーク等を取り上げて，数値計算システムを用いて，それらの原理とアルゴリズムについて学ぶ．演習の最後には，自らが設定した課題を解決するためのシステム構築を行う．
３．達成目標等：具体的な達成目標はつぎの3点である：
・社会基盤の整備や運用に用いられる情報処理技術の理論とアルゴリズムを説明できる．
・社会基盤プロジェクト解決のためのプログラムの設計と開発ができる．
・自らが設定した課題に対して最適なシステム開発を行うことができる．
The class code for Google Classroom can be found on the Web site of
the School of Engineering:
https://www.eng.tohoku.ac.jp/edu/syllabus-ug.html (JP Only)
1. Object
Information and communication technology is indispensable for today's infrastructure development, operation. In this course, students will learn the theory and algorithm of the information processing technology that is the basis of infrastructure development, and practical system construction method.
2. Summary
Students will learn the principles and algorithms of image processing, topographic information processing, simulation, spatial information processing, genetic algorithm and neural network as information processing technologies required for the development and operation of infrastructure using a numerical analysis system. At the end of this course, students will construct a system to solve the problem set by themselves.
3. Goal of Study
Students should be able to do the following:
- Explain the theory and algorithms of information processing technology required for the development and operation of infrastructure.
- Design and develop computer programs for the solution of infrastructure projects.
- Develop an optimal system for a subject set by themselves.