Profile, Alumni & Hobby
Introduction to AI & Deep Learning
- AI（人工知能）の基礎：ニューラルネットワーク入門
- Deep Learning の代表的モデル
- 勾配降下法および逆伝播法の解説
- 機械学習の Python API とGoogle Colabの活用
- Computer Vision: OpenCV で画像処理
最初に、人工知能(AI)の理論的基礎をなすニューラルネットワークの理論、特に、多層パーセプトロン・モデルを初心者向けに説明します。多層パーセプトロンを拡張した畳み込みニューラルネットワーク（CNN）および、ディープニューラルネットワーク（DNN）の有用性を説明します。その後、これらのモデルをコンピュータに実装するための Python API を説明します。Scikit-Learn、Keras、および、TensorflowやPyTorchなどを用いたPython実装のライブラリを紹介します。また、Google Colabの無料GPUサービスの活用法についても簡単に説明します。
AIの実例１：Deep Learning for Computer Vision
- Scikit-learn を用いた機械学習の例
- Keras + TensorFlow 2.0 を用いた画像分類の実例
- TensorFlow 2.0を用いた物体検出の実例
- Pytorch 1.3 を用いた機械学習の実例
- Caffe2 とDetectron2を用いた機械学習
- DCGAN & CycleGAN のPython 実装
- Deep Dream と Style Transfer の Python 実装
- Intel Movidius を用いた物体検出の実例
人工知能の骨格である機械学習の基本的モデルとなっている畳み込みニューラルネットワーク（CNN）および、ディープニューラルネットワーク（DNN）を実装します。Deep Learning を実装するために活用される主要な Python API である、Scikit-Learn 、 TensorFlow 、 Pytorch 、Caffe2、Detectron2 などのインストール方法や基本的な使用方法を説明します。また、敵対的生成ネットワーク (GAN, Generative Adversarial Networks) の改良版の DCGAN 、CycleGAN 、 Style Transfer などのモデルを Python で実装して、活用する方法を説明します。
AIの実例２：Deep Learning for Natural Language Processing
- MeCab+Gensim+fastText による日本語処理
- spaCy と GiNZA を用いた日本語処理
- BERT(Pytorch_transformers)を用いた日本語処理
- MeCab+NLTK による自然言語処理
- Chatbots and AI Assistants
- RNNやLSTM を用いた時系列データの予測
Deep Learning を用いた自然言語処理に必要な構文解析問題やテキスト分類問題を説明して、それらの解決のために必要なPython ライブラリの実装について説明します。日本語処理に必須の MeCab の説明から始めます。その後、Gensim や FastText を活用した日本語処理の方法を説明します。一般的なPython API ライブラリとして、GiNZA + SpaCY およびBERT（Pytorch_transformers）を用いたNLP、テキストマイニングや単語推論なども取り上げます。そして、NLTK を用いた言語処理についても説明します。RNN 、 LSTM を用いた時系列データの予測問題も取り上げます。また、会話ロボットのchatbotsの仕組みについても説明して、chatbotsの構築方法を取り上げます。
Programming Language for Computer
- C++言語のTutorials
- JavaScriptを用いたWebデザイン
- jQueryを用いたWebデザイン
- Python Tutorials - Basics
- Python Tutorials - Applications
- NetworkxでSocial Networks Analysis
プログラミング言語の筆頭にC/C++言語の簡単なチュートリアルのページを配置しました。Web 作成に必須のHTMLとCSSの書き方の基本と、JavaScript ファイルの活用方法の初歩を説明します。続いて、jQuery の説明をして、CodePenを利用します。さらに、オブジェクト指向言語の代表である Python のインストール方法、および、基本的な文法と使用法を説明します。Jupyter Notebook を使用して、 Phython コードを用いたシミュレーションやネットワーク分析などを紹介します。
Matplot_Path_patch_demo
Computer graphics
- OpenGL を用いて 3D CG を作成する
- WebGL を用いて Web 上に3D CGを表示する
- Three.js を使用して Web に 3D CG を表示する
- Blender で 3D アニメーション CG を作成する
WebGLとは、Webブラウザ上（ホームページ上）で、三次元のCGをリアルタイムに表示して動かせるオープンソースのグラフィックAPIです。OpenGLから派生したOpenGL ESの3D APIをWebブラウザに移植したものです。WebGLを用いて３DCGを作成することを試みます。JavaScrict ライブラリのThree.js を使用して Web に 3D CG を表示してみます。3DCGアニメーションを作成するための統合環境アプリケーションで、オープンソースのフリーウェアのBlender の活用についても説明します。
上側の描画は、WebGLで描いた３D CG の例です。下側は、Blender で 3D アニメーション CG の例です。
WebGL Demo
IOT & Raspberry Pi
- Raspbian OS のインストール
- Raspberry Pi で IoT: 電子工作
- Raspberry Pi で IoT: 画像処理
- Movidius NCS + Raspberry Piでライブ映像から物体検出
- Raspberry Pi で 機械学習
Raspberry Pi をIoT 向けの端末として利用した電子工作を試みます。Web カメラ、または、PiCameraを接続して、ライブ映像からの物体検出をリモートPCを介して実行します。Raspberry Pi に Intel の Movidius NCS をUSB 接続して、Web カメラのライブ映像から物体検出を行う映像をPCやスマホで表示します。
Introduction to Robotics
- RaspberryPi への Ubuntu Mate のインストール
- ROS(Robot Operating System) を用いたロボットの操作
- Raspberry Pi Mouse ロボットの操作の実際
RaspberryPiへUbuntu Mateをインストールして、ROS(Robot Operating System)の活用法を説明します。Raspberry Pi RT/Robot を実際に使って、PCやスマホからリモートコントロールして、ロボットの操作を実行します。
Deep Learning for Mobile Devices
- Tensorflow Lite を用いて IoT 機器で機械学習
- iOS モバイル機器に Core ML アプリを実装
- Xcode と Swift 入門
- Metal で computer graphics を作成
Tensflow Lite を活用したIoT機器への機械学習アプリのインストール方法を説明します。コンピュータビジョンの機械学習機能を容易にAppに組み込むことができます。また、iOS機器に物体検出のDeep Learning を組み込むために、XcodeやSwiftの初歩的な解説を行います。フェイストラッキング、顔検出、ランドマーク、テキスト検出、矩形検出、バーコード検出、オブジェクトトラッキング、画像レジストレーションなどの機能に対応しています
