データサイエンスプロ短期コース深層学習特化型(2022年2-3月)受講生募集

昨年度に引き続き、2022年1-3月に社会人エンジニア向けのデータサイエンス（深層学習特化型）の公開講座（全14コマ）をオンラインで開講する予定です. 数理、データサイエンス、人工知能への関心を深めるべく、本年度は本学の講師陣12名がデータサイエンス、深層学習のさまざまな側面について講義を行ないます。

深層学習における応用事例などに適用可能なように, 物体検知, セマンティックセグメンテーション, トランスフォーマーを使ったモデル, 敵対的生成モデル, 深層強化学習までの内容を表面だけではなく, ある程度詳しく講義するだけではなく、アニメーション、医療画像をはじめとした応用事例の講義を充実させました。また、演習を取り入れることにより、具体的にどのように行うかの導入部分を実践して行なっておくことにより、講義を実践に生かせるための基礎は習得できるようになるようにしました。さらに、敵対的防御やプライバシーの機械学習のような信頼性に関わる分野も講義に加えております。また、深層学習の理論、カーネル法やスパースモデリングなどの深層学習を理解する上で非常に重要な分野の講義も入っております。全14コマというのは非常に密度の濃い内容となっておりますが、情報過多にならずに理解できるように考えております.

企業において人工知能を用いたアプリケーションの構築をされているエンジニアの方、転職して人工知能のソフト開発に携る予定のエンジニアの方, 深層学習の検定などを受講される予定の方などに, なるだけ最新の理論的側面と応用事例を提供できるように考えております。

皆様の周りの社会人の方で, 深層学習に興味を持たれている方, 勉強を開始されたい方をご存知でしたら, 是非ご案内いただけましたらありがたいです. 本講座の受講料は5万円で, 申し込み方法など詳しい情報は以下をご覧ください.

• データサイエンスプロ短期コース(深層学習特化型)
• 九州工業大学社会人向け講座
  
  
• 期間: 2022年2-3月 (開始は2月中旬/後半になります. 3月一杯で終了いたします. ここの情報にご注意ください)
• 授業時間:
  • (平日コース) 4限(14:40〜16:10), 5限(16:20〜17:50)あたりの時間帯 (火曜日が中心となる予定です) (仮スケジュールでは, 3限(13:00-14:30)も1コマあります)
• 授業に参加できなかった場合にビデオでの学習は随時可能です.
• 回数: 全14トピック(1トピックは1コマ90分)
• 場所: オンライン + zoom講座 (自宅などでインターネットに接続できる環境をお持ちの方に限られます.) 同期型の日を設定しますが, その日に参加できない場合にはビデオの受講が可能です.
• 講師: (あいうえお順)
  • 大北 剛(九州工業大学 大学院情報工学研究院 特任准教授)
  • 長 隆之（九州工業大学生命体工学研究科 准教授）
  • 尾下 真樹（九州工業大学情報工学研究院 教授）　
  • 神谷 亨（九州工業大学大学院工学研究院 教授）
  • 坂本 比呂志（九州工業大学大学院情報工学研究院　教授）
  • 竹本 和広（九州工業大学大学院情報工学研究院 教授）
  • 田中 悠一朗（九州工業大学イノベーション推進機構 助教）
  • 田向 権（九州工業大学生命体工学研究科 教授）
  • 徳永 旭将（九州工業大学大学院情報工学研究院　准教授）
  • 豊坂 祐樹（九州工業大学大学院情報工学研究院）
  • 二反田 篤史（九州工業大学大学院情報工学研究院　准教授）
  • 山西 芳裕（九州工業大学大学院情報工学研究院 教授）
• 費用: 5万円 (税込み)
• 言語: 日本語
  
  
• 講座内容 (以下は仮スケジュールで, 都合により変更の可能性がありますのでご注意ください)[3限(13:00-14:30), 4限(14:40〜16:10), 5限(16:20〜17:50)]
  • 深層学習基礎講座演習
    • 2/22(火曜)4限: 深層学習基礎+演習1 (田向、田中)
    • 2/24(木曜)4限: 深層学習基礎+演習2 (田向、田中)
    • 2/24(木曜)5限: 深層学習基礎+演習3 (田向、田中)
  • 講義パート
    • 3/1(火曜)4限: カーネル、スパースモデリング　(山西)
    • 3/1(火曜)5限: 畳み込みNN(物体検知、セマンティックセグメンテーション, キーポイント検知) (大北)
    • 3/8(火曜)3限: 圧縮やプライバシーの機械学習 (坂本) (当初3/1の3限の予定でしたが3/8に変更となりましたのでご注意ください)
    • 3/8(火曜)4限: 医用画像 (神谷)
    • 3/8(火曜)5限: コンピュータアニメーションへの深層学習の応用　(尾下)
    • 3/15(火曜)4限: 深層強化学習　(長)
    • 3/15(火曜)5限: トランスフォーマー(NLP, Vision), 敵対的生成モデル, 自己教師あり学習　(大北)
    • 3/22(火曜)4限: 敵対的攻撃・防御 (竹本)
    • 3/22(火曜)5限: 最適化、深層学習理論　(二反田)
    • 3/29(火曜)4限: 半教師あり学習の画像解析への応用 (徳永)
    • 3/29(火曜)5限: 物理に対する深層学習モデル(NeuralODEなど)　(豊坂)
  • ビデオ教材で補足もいたします(ビデオ教材は全14トピックの外で自習をしていただきます)
    • 深層学習基礎に関する講座(田向、田中)
    • 深層学習に関する講座(大北)
  
  
  
  
• 締切終了しました. ありがとうございました(第2次締切り:2022年1月31日(月))

• 申し込みをされた方々には郵送にて講座受講のための振込用紙(もしくは、請求書)を配送させていただきます. 郵便が届かない方はご連絡ください。なお, 九州工業大学の事務手続き上, 申し訳ございませんが, クレジットカードでの支払いには対応しておりません.

• 申し込み書は個人情報を含みます。以下にご同意いただける場合に, 申し込み書の記入をされるようにお願いいたします。申し込み者への振込用紙送付の目的, 実際に受講された際に受講生の進度や欠席された際の連絡, 次回に公開講座を開催する際の案内の送付, など社会人向けのデータサイエンス公開講座の目的でのみ個人情報を収集しております. 公開講座の目的以外での使用はいたしません。期間的には主として公開講座の期間(2022年の3月)および次回の公開講座の連絡用に2024年3月まで九州工業大学にてデータを保管させていただきます。また、個人情報取扱い規定は九州工業大学として制定している個人情報取扱い規定(https://www.kyutech.ac.jp/information/privacy.html)に准じて取扱います.

質問などありましたら, 公開講座事務局 大北(tsuyoshi@ai.kyutech.ac.jp)宛てにお願いします。

概要

• 近年, トランスフォーマーやパノプティックセグメンテーションなどのアドバンスドなアーキテクチャがさまざまな場面で議論されるようになった. 深層学習の基本であるCNNやRNNの学習ができていなければ, かなりアバウトな理解しかできない. さらに, 深層学習の基本であるCNNやRNNの学習ができていたとしても、アーキテクチャが難しくあまり判らないなという印象があります. 深層学習のアーキテクチャは、アテンション機構, 埋め込み, バッチ正規化, 転移学習などだけではなく, 対象となるタスクの性質と関係するIoU, バウンディングボックス, アノテーションの概要など実にさまざまな要素が密接に絡んでいます. さまざまな深層学習の分野を, 広く浅く, 知っておくことはターゲット領域を深く知る準備として非常に意味のあることではないかと感じています. これが本講座を開講しようとする大きな動機です.
  
  
• 1つ目に, これまでの機械学習の常識だと, 画像や映像の勉強をする人が, 自然言語や物理の勉強をするのは的はずれでした. しかし, 深層学習では、こうではないのではと感じ始めています. 機械学習では応用事例分野が異なると特徴抽出方法が異なるため、応用事例の分野が異なると全く別分野となりましたが, 深層学習は特徴を自動抽出するため, 異なる分野であっても、類似したアーキテクチャが使われることは往々にしてあります. トランスフォーマーなどは, 言語や画像のみならず, 生成モデルも含んださまざまな応用事例に適用され始めています. また、同じ分野であれば同じアーキテクチャを使いがちですが、違うアーキテクチャと比較することによって、重要な進展が起こってきました。本講座では、自分の当面の目的ではなくとも, 積極的にさまざまな応用事例の分野を眺めてみたいと思っています。
  
  
• 2つ目に, 機械学習だと, サポートベクターマシンとランダムフォレストは全然違うアーキテクチャで, これらを使いこなそうとすると, これらの機構を詳しく知っておく必要がありました. しかし, 深層学習は基本的なCNNやRNNといった非常にシンプルなアーキテクチャが複雑に組み立てられたアーキテクチャです. しかし, 基本を理解していても現実のモデルの理解には到達していないという現実です. つまり, 基本的なアーキテクチャであるCNNやRNNだけを見ていると, 深層学習の最先端でやられていることを見失うことです. 深層強化学習や敵対的生成ネットワークのみならず, ニューラルODE, グラフCNN, 自己教師あり学習など, 応用事例の種類と共にさまざまなバリエーションが生まれたので, これらを広く浅く知っておくことは非常に意味のあることではないかと思っています。
  
  
• 3つ目に, 深層学習を理解するにはさまざまな側面があります. カーネル法を知っていれば得することはありますし, 深層学習の理論を知っていれば機械学習との違いに触れることになります. また、信頼性の分野(敵対的防御やプライバシーの分野)などは, 分野独特の見方があります. これらにも触れたいと思います.
  
  
• 4つ目に, 深層学習はやはり自分の手で動かしてみないとという部分はどうしてもあります。pythonを用いて演習することは, 非常に簡単なものでも良いので、非常に効果があります. そこで、これらも講座も, python初学者に負担にならない程度に組み込むことにしました.
  
  
• 以上の4つを念頭において, 基礎力に焦点を置きつつ, 近年急激に進展している深層学習の最新の内容を理解できることを目標にしたいと思っています.