Yutaka SAKAGUCHI'S Page

平成２３年度講義内容 †

• 以下はあくでも予定です．進度や要望に応じて随時変更します．
• スライドは講義終了後にアップロードします．カラー版は画面表示用，モノクロ版は印刷用です．

第1回：4月11日　講義内容の紹介・神経細胞の性質と神経素子 †

• 講義の方針
• 脳の構造の概略
• 神経細胞の性質
• 神経素子，神経細胞モデル

第2回：4月18日 教師あり学習とパーセプトロン †

• 学習パターン認識
• ３種類の学習
• 教師あり学習
• パーセプトロン
• 線形分離可能性
• 学習収束定理

第3回：4月25日　バックプロパゲーション †

• 誤差関数
• デルタルール
• 一般化デルタルール
• バックプロパゲーション
• 特異点の問題

第4回：5月2日　学習プログラムの実装と数値実験 †

• 数値実験の目的と注意事項
• パーセプトロンの実装
• バックプロパゲーションの実装
• 演習問題の説明

第5回：5月9日　サポートベクトルマシンとモジュール型ネットワーク †

• サポートベクトルマシンとは
• ２次計画問題
• カーネルトリック
• radial basis function
• 局所性と氾化能力
• モジュール型ネットワークとは
• モジュール型ネットワークの考え方と代表例

第6回：5月16日 連想記憶と神経力学 †

• 古典的な連想記憶
• 自己想起型と相互想起型
• 相関学習
• リカレントネットワークと神経力学
• エネルギー関数
• 最適化問題の解法としての連想記憶
• 極小値の問題

第7回：5月23日　教師なし学習と競合学習 †

• 教師なし学習
• 特徴量の自己抽出
• 競合学習
• 教師なし学習の評価関数と情報量

第8回：5月30日　強化学習 †

• 強化学習の考え方
• 強化学習の定式化
• 報酬和と価値関数
• マルコフ定常過程
• ダイナミックプログラミングの考え方　

第9回：6月6日　強化学習 †

• モンテカルロ法
• サンプリング法：ε-greedy 法　と Boltzmann選択法
• TD学習
• Q学習
• Actor-Critic model
• eligibility trace

6月13日は出張のため休講です． †

第11回：6月20日　ベイズモデルと推定 †

• ベイズの定理
• ベイズ推定
• 正規分布の場合のベイズ推定
• カルマンフィルタ
• ベイズモデルを用いた知覚のモデル
• 相互情報量（時間があれば）
• 情報量に基づく感覚情報の選択（時間があれば）

第11回：6月27日　ＥＭアルゴリズム（ただし進度が遅れた場合はスキップします） †

• 隠れ変数
• 隠れ変数のある問題でのパラメータ推定
• EMアルゴリズム
• ノイズに埋もれたパターン認識の問題
• 血液型因子分布の推定問題（時間に余れば）

第12回：7月4日　運動制御の計算理論 †

• ヒトの運動制御に関わる神経メカニズム
• ヒトの運動制御系の特徴
• フィードバック制御とフィードフォワード制御
• 内部モデル
• 順モデルと逆モデル
• 内部モデルの学習

第13回：7月11日　最適化理論と運動制御 †

• 到達運動とその特徴
• 筋力のつり合いと終点仮説
• 平衡点仮説
• 軌道の性質と最適化規範
• 躍度最小軌道，トルク変化最小軌道，誤差分散最小化軌道，表現単純化軌道
• 最適制御モデル

第14回：7月18日 運動系理解のための信号処理手法 †

• ベイズモデルを用いた感覚運動統合モデル
• 非負行列分解を用いた筋シナジー解析
• 情報量解析を用いた情報表現の解析

第15回：7月25日　進度調整日 †