|
|
|
|
デジタル画像の性質を理解し、データサイエンスモデルに落とし込んだ解析法を学ぶ。また、GANやスクレイピングといった新しい手法についても学ぶ。
|
|
|
画像データ構造とデータフレームを理解し、利用目的に応じたPythonによる画像解析プログラミングができるようになる。また、生体認証や社会医学における応用課題に取り組むことで、実用的な画像処理技術を身に着ける。 ①データサイエンスの基礎を理解し、データ特性にあった解析モデルを選択できる。 ②デジタル画像の前処理や解析演習を通して、画像解析の基礎を学ぶ ③画像の特性にあった解析手法・学習モデルを選択し、画像解析ができる。
|
|
|
大学院ディプロマ・ポリシーにおける,「幅広く豊かな学識に立脚し,専門分野におい て創造性豊かに自立して研究活動を実践でき,高度な専門性・国際性を必要とする職業 を担うための能力を身に付ける。」に関連する。
|
|
|
データサイエンスの基礎や技術応用をした文献を学び、データ特性に応じた解析モデルを学ぶ。その上で機械学習の学習モデルを学び、画像解析演習を通して理解を深める。google colaboratoryやOpenCV等のツールにいても学ぶ。
|
|
|
オンライン講義、google colaboratoryによる演習
|
|
|
第1回:データサイエンス基礎 第2回:データサイエンス応用 第3回:データサイエンス 第4回:デジタル画像と前処理 第5回:デジタル画像とフィルタリング 第6回:画像特徴量と判別1 第7回:画像特徴量と判別2 第8回:転移学習とファインチューニング 第9回:CNNの基礎と演習 第10回:MLPの基礎と演習 第11回:RNN(LSTM)の基礎と演習 第12回: GANの基礎と演習 第13回: データ特性に応じた最終課題 第14回:データ特性に応じた最終課題 第15回:課題発表と講評
|
|
|
|
オンライン講義・演習 授業15~30時間 授業時間外15~30時間 実験・実習・実技 授業15~30時間 授業時間外30~45時間
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|