The development of powerful models such as ChatGPT and speech recognition has meant AI now exhibits more human-like intelligence. However, machines also need to take into account multiple types of data, known as modalities. In this course, students will gain an understanding of important AI models currently being used in the fields of vision, language and speech. We then discuss how we can take two or more of these fields and combine them to create multimodal models. There will also be the opportunity to practically test these AI models and understand where they work and what needs to be improved. Accompanying the lectures in this course will be code in Python so students can try implementing these models for themselves.

Students will gain a broad understanding of state-of-the art multimodal models and the techniques which are used to create intelligent systems. They will also learn to approach problems multimodally to improve model performance.

1. Introduction to multimodality (1 week)
We introduce the concept of modalities. What is a modality? How are modalities used in modern AI? We introduce some common multimodal tasks and describe how the course will teach students how AI can achieve these tasks.

2. Vision (3 weeks)
Students will first learn the basic modeling process, using image recognition as an example. We then introduce a foundational machine learning model, the neural network, and explain why this has become the basis for almost all modern AI. We show how the field of computer vision has built on this model through the convolutional neural network (CNN).

3. Language and audio (2 weeks)
Language and audio are two other modalities which have made a huge impact on modern AI. In these lectures we show how the neural network can be adapted to accommodate these modalities by introducing the recurrent neural network (RNN) and related models.

4. Transformers and attention (1 week)
Transformers are the foundation of large language models such as ChatGPT. In this lecture we will describe the important concept of attention and the transformer architecture which has revolutionized AI.

5. Advanced architectures and techniques (1 week)
In this lecture we take a special look at how neural network-based architectures can be extended to accomplish many different tasks through the use of techniques such as fine-tuning. We will also discuss latent spaces, which are necessary for understanding multimodal models.

6. Multimodal techniques (4 weeks)
We now look at models which combine different modalities, known as multimodal models. For these lectures we take an in-depth look at topics related to these multimodal models and take a specific focus on combining vision and language. These architectures have allowed modern AI to achieve tasks such as describing and answering questions about an image. Generative AI models will be introduced during these lectures. Students will also have the opportunity to try out multimodal LLMs on their own computers.

7. Other applications (2 weeks)
Applications related to multimodality will be described, including conversation and multimodal interfaces.

8. Final exam

9. Feedback

特になし

Grades will be equally split (33% each) between attendance and participation, an assignment and a final exam.

Students should aim to review course content through resources and code provided during the course on LMS.

　パーソナルコンピュータ（PC）利用経験の浅い学生を主な対象として，PCを活用するための基礎的な知識と技能を修得させる．PCの基本的な操作法,セキュリティと倫理,情報検索の方法,構造化された文書の作成法,表計算ソフトウェアによるデータ処理の方法，学術的プレゼンテーション資料作成，さらに生成AIの利用法の基礎を学ぶ．

・PCの基本ソフト（オペレーティングシステム；OS）およびネットワークの利用のための基礎的な操作を習得し，それらを安全に利用できるようになる
・図書館が提供している情報とその利用法を理解する．
・学術的な文書をワードプロセッサを用いて作成できるようになる．
・表計算ソフトを用いた基礎的なデータ処理を行えるようになる．
・プレゼンテーションソフトを用いて簡単な学術的プレゼンテーションが行えるようになる．
・生成AIを使うことのメリット，デメリットを把握し，効果的に利用できるようになる．

おおよそ以下の内容について学習する予定である．初回にはオリエンテーションも行う．

コンピュータの基礎（1週）［仲村］
　・ハードウェア，ソフトウェア
　・OSの基本
　・ファイルシステムとファイルの種類
ネットワークの基礎（1週）[山﨑］
　・インターネットの仕組み
　・きちんとしたメールの送受
文献検索と文献管理（1週）［山﨑］
　・学術情報の流れ(学会発表から論文投稿，出版まで）
　・学術情報の検索と整理
著作権と生成AI（1週）［山﨑］
　・適切な引用
　・生成AIの利用
表計算ソフトによるデータ処理（3週）［粟野］
　・表計算ソフトの基礎
　・シミュレーションに挑戦
　・様々なグラフの作図に挑戦
文書の整形と構造化（3週）［檀浦］
　・Wordによる構造化された文書の作成
　・Word文書への図表の挿入，数式の取扱い
　・プレゼンテーションについて考える
総合演習（2週）［仲村］
　・Word，Excel，PowerPointを組み合わせて使う
Python入門（2週）［澤田］
　・Pythonを用いたプログラミング入門
フィードバック（1週）

特になし

トピックごとに提出を求める課題・レポートで評価する．レポートは授業で学習したポイントを踏まえているかどうか，記述が明解かどうかなどによって評価する．課された課題・レポートについて，授業回数に応じて配点し合計したものを成績とする．

授業時間外の学習として，トピックごとに提出を求めている課題・レポートに取り組むことを求める．

質問は随時メールで受け付ける．


情報環境機構が提供する情報セキュリティe-Learningを必ず受講し，修了テストを受けた上で，同テストのフィードバックを確認しておくこと．授業内ではe-Learningを受講するための時間は設けないので，授業時間外に受講しておくこと．同e-Learningは学生も含めた本学の全構成員に対して毎年受講が求められているものである．2回生以上で過去の年度に受講した場合でも今年度まだ受講していないのであれば必ず受講すること．

この演習では，端末室に設置されたPCを利用することも可能であるが，履修者自身が持参するノートPCを利用することを前提としている（Bring Your Own Device; BYODによる実施）．

本講義では、特定のハードウェアやソフトウェアに依存しない情報技術の基礎および人工知能(AI)について理解させる。２回生以降の学びの動機付けとなるように、物理工学科と関連のある分野で情報技術がどのように活用されているかについての紹介も合わせて行う。

コンピュータの動作原理、情報量・圧縮の基本的概念、人工知能(AI)の基礎、計算・アルゴリズム・計算量の基本的概念、コンピュータネットワークの基本的概念を理解する。

授業回数はフィードバックを含め全15回とする．

コンピュータの動作原理 (3-4回) : 計算機の歴史、計算素子の原理、組合せ回路・順序回路、CPUの構造など、コンピュータによる計算の仕組みを概観する。(近藤)

情報とメディア (2-3回) : 種々の情報メディアと情報量、データの圧縮、誤り訂正など、情報理論と符号に関する基本的な概念を習得させる。(近藤)

人工知能(AI) (3回)：人工知能、パターン認識、データサイエンス、機械学習、ニューラルネットワークなど、コンピュータが知的な処理を行う原理を理解させる。生成系AIの利用など、現代社会における情報倫理を理解させる。（近藤・中村）

計算とアルゴリズム (4-5回) : アルゴリズム、計算量、問題の定式化など、計算の基本的な概念を習得させる。プログラムとプログラム言語の概念をコンピュータの動作と関連付けて理解させる。(中村)

コンピュータネットワーク (0-1回) ： インターネットの歴史、LAN、WAN、プロトコルなど、コンピュータネットワークの基本的な概念を習得させる。(中村)

ただし，受講者の理解度や進捗により各回の内容や回数が前後する場合がある．

特になし

コンピュータの計算原理、AIに関する基本的な知識、アルゴリズム・計算量・プログラムの基本的な概念、コンピュータネットワーク、情報倫理の基本的な概念を理解していることを評価する。
毎週の課題に基づいた平常点、および、定期試験(筆記)を総合し、配点については平常点30%、筆記試験70%を目安とする。

対象とする範囲が広いため、授業中に深く掘り下げることはできません。気になった項目や、わからなかった項目については自分でWebや本などで調べ直す必要があります。この科目の内容に関する情報は比較的簡単に手に入ります。

「情報AI基礎演習」を履修しておくことが望ましい。
また本講義で予定している情報倫理の講義に関連して、情報セキュリティに関するe-learning講義を、本講義の受講期間中に受講すること。詳しくは、https://www.iimc.kyoto-u.ac.jp/ja/services/ismo/e-learning/ を参照してください。

　コンピュータの操作方法およびプログラミングに関する演習を行い，基礎的なIT利活用能力を習得することを目的とする．
　PC等の情報機器およびソフトウェアの操作方法に習熟することは学術研究活動のみならず，将来の社会活動全般に関する自らの可能性を広げる大きな力となる．このことを認識して，本演習を通して将来必ず必要とされるIT利活用能力の礎を築いてほしい．
　演習は，受講者個々の知識・能力・興味を尊重し，課題選択方式による自学自習形式に重きを置いた形態とする．コンピュータ初心者は基礎を重点に，すでにある程度知識のある受講者はより高度な課題に取り組むなどして本演習を有効に活用してほしい．

以下に掲げるIT利活用能力の基礎的部分を幅広く習得し，得意な課題分野についてはさらに応用力を養う．

・データ処理と視覚化(Excel)
・プログラミング(Cプログラミング)
・デジタル文書作成と組版(Word, LaTeX), 一部に生成AIの活用を含む

またこれらの課題演習を通して，自己所有のPC等の管理をおこなったり，コンピュータ機器の未知の用法を習得して実践するための基礎的な能力を養う．

授業回数はフィードバックを含め全15回とする．
受講者は提示された演習課題の中から適宜選択して演習を行って、課題締切期限内に提出すること．

演習課題は、以下の内容に関する必須課題
　・本学システムに関する初期設定および基本操作
　・学術的誠実性
と、下記３分野に関して出題する演習課題群からなる．
　(1) Wordによる文書作成・Excelによるデータ処理と視覚化
　(2) C言語によるプログラミング
　(3) LaTeXによる文書作成と組版
各分野について基礎的なものから発展的なものまで課題を用意するので，各人の興味と能力に合わせてなるべく幅広くかつ多くの課題に取り組むことを推奨する．

本演習では自己所有のPCによる課題作業を必須とします。演習には自己所有PCを持参すること。

演習課題の提出と採点はすべて学習支援システムLMSを介してオンラインで行う．
提出された課題のうち十分な得点を得て有効と判定されたものの数と種類によって成績評価する．提出方法・期限を厳守すること．

授業時間内だけでなく、課外でも相応の時間を課題演習に割り当てることを想定している．必ずしも授業時間に縛られずに課題を進められるよう，オンライン資料を提供するのでこれらも活用してほしい．
課題は採点後返却するので，間違いの確認などを通して復習を行うこと．

「情報AI基礎[理学部]」と併せて履修することが望ましい(特にプログラミング経験の少ない者)．
　授業にはTAも出席しているので，コンピュータの操作方法についての質問等があれば授業中に質問すること．(授業時間外の質問についてはごく簡単なものにしか対応できません.) わからないことについては一人で悩まないでTAや教員に積極的に質問すること．

情報環境機構が提供する情報セキュリティe-Learningを必ず受講し、修了テストを受けた上で、同テストのフィードバックを確認しておくこと.授業内では受講のための時間は設けないので授業時間外に受講しておくこと。同e-Learningは学生も含めた本学の全構成員に対して毎年受講が求められているものである。2回生以上で過去の年度に受講した場合でも今年度まだ受講していないのであれば必ず受講すること.

情報に関わる著作権、特許、知財管理、個人情報保護に関する知識を教授する。

情報に関わる著作権、特許、知財管理、個人情報保護に関する基礎的な知識を十分に取得できていることを到達目標とする。

以下の内容の講述を行うとともに、適宜、机上演習やグループ討論を行う。また、一部の回では関連分野のゲストスピーカーを招聘して討論を行う。

[01] 講義概要紹介（田島）
[02] 特許権（1）知的財産権の基礎、特許出願の流れ、特許要件（谷川、田島）
[03] 特許権（2）ソフトウェア関連発明、発明の取り扱い、特許出願の態様（谷川、田島）
[04] 特許権（3）特許に関する手続きの流れ（谷川、田島）
[05] 特許権（4）特許文書の読み方、よい発明の構築方法（谷川、田島）
[06] 特許権（5）特許工学、特許調査（谷川、田島）
[07] 情報技術と商標（商標登録の仕組、キーワード広告と商標権、商標戦略等）（谷川、田島）
[08] 特許権・商標権とライセンス交渉（谷川、田島）
[09] デジタルコンテンツ著作権（1）著作権法の概要、著作物性（田島）
[10] デジタルコンテンツ著作権（2）著作権法上の権利の種類と効力（田島）
[11] デジタルコンテンツ著作権（3）著作物の利用機器・サービスの提供者の責任（田島）
[12] デジタルコンテンツ著作権（4）侵害コンテンツへの誘導者の責任（田島）
[13] 人工知能（AI）と知的財産（田島）
[14] 個人情報保護（田島）

全授業回数はフィードバック1回を含め15回である。

特になし

情報に関わる著作権・特許、知財管理、個人情報保護に関する知識を十分に取得できることを到達目標とする。
期末試験（48%），および，レポート課題と講義中に複数回実施する小テスト（52%）で成績評価を行う。

授業時に配布する授業資料を用いて予習復習を行うこと。

オフィスアワーはメールによる事前予約のこと。メールアドレスは以下の通り（「＠」を「@」に置き換えること）：
田島：tajima＠i.kyoto-u.ac.jp
谷川：htanigawa＠ird-pat.com

　コンピュータの操作方法およびプログラミングに関する演習を行い，基礎的なIT利活用能力を習得することを目的とする．
　PC等の情報機器およびソフトウェアの操作方法に習熟することは学術研究活動のみならず，将来の社会活動全般に関する自らの可能性を広げる大きな力となる．このことを認識して，本演習を通して将来必ず必要とされるIT利活用能力の礎を築いてほしい．
　演習は，受講者個々の知識・能力・興味を尊重し，課題選択方式による自学自習形式に重きを置いた形態とする．コンピュータ初心者は基礎を重点に，すでにある程度知識のある受講者はより高度な課題に取り組むなどして本演習を有効に活用してほしい．

以下に掲げるIT利活用能力の基礎的部分を幅広く習得し，得意な課題分野についてはさらに応用力を養う．

・データ処理と視覚化(Excel)
・プログラミング(Cプログラミング)
・デジタル文書作成と組版(Word, LaTeX), 一部に生成AIの活用を含む

またこれらの課題演習を通して，自己所有のPC等の管理をおこなったり，コンピュータ機器の未知の用法を習得して実践するための基礎的な能力を養う．

授業回数はフィードバックを含め全15回とする．
受講者は提示された演習課題の中から適宜選択して演習を行って、課題締切期限内に提出すること．

演習課題は、以下の内容に関する必須課題
　・本学システムに関する初期設定および基本操作
　・学術的誠実性
と、下記３分野に関して出題する演習課題群からなる．
　(1) Wordによる文書作成・Excelによるデータ処理と視覚化
　(2) C言語によるプログラミング
　(3) LaTeXによる文書作成と組版
各分野について基礎的なものから発展的なものまで課題を用意するので，各人の興味と能力に合わせてなるべく幅広くかつ多くの課題に取り組むことを推奨する．

本演習では自己所有のPCによる課題作業を必須とします。演習には自己所有PCを持参すること。

演習課題の提出と採点はすべて学習支援システムLMSを介してオンラインで行う．
提出された課題のうち十分な得点を得て有効と判定されたものの数と種類によって成績評価する．提出方法・期限を厳守すること．

授業時間内だけでなく、課外でも相応の時間を課題演習に割り当てることを想定している．必ずしも授業時間に縛られずに課題を進められるよう，オンライン資料を提供するのでこれらも活用してほしい．
課題は採点後返却するので，間違いの確認などを通して復習を行うこと．

「情報AI基礎[理学部]」と併せて履修することが望ましい(特にプログラミング経験の少ない者)．
　授業にはTAも出席しているので，コンピュータの操作方法についての質問等があれば授業中に質問すること．(授業時間外の質問についてはごく簡単なものにしか対応できません.) わからないことについては一人で悩まないでTAや教員に積極的に質問すること．

情報環境機構が提供する情報セキュリティe-Learningを必ず受講し、修了テストを受けた上で、同テストのフィードバックを確認しておくこと.授業内では受講のための時間は設けないので授業時間外に受講しておくこと。同e-Learningは学生も含めた本学の全構成員に対して毎年受講が求められているものである。2回生以上で過去の年度に受講した場合でも今年度まだ受講していないのであれば必ず受講すること.

大規模言語モデルに代表される生成AIについて、その動作原理から構成法、応用展開について講義する。

生成AIモデルの原理を理解し、適切に利用できる。

1.人工知能（ＡＩ）の歴史：推論・探索、知識工学、機械学習、生成AI
2.統計的機械学習
3.ニューラルネットワーク入門
4.NNのアーキテクチャと学習
5.AIによるタスク遂行I：画像認識（1/2）
6.AIによるタスク遂行I：画像認識（2/2）
7.AIによるタスク遂行II：自然言語処理
8.Transformerと自己教師あり学習
9.大規模言語モデル
10.他の生成モデル：VAE, GAN, Diffusion
11.他の基盤モデル画像、音声など
12.Gemini演習1
13.Gemini演習2
14.ＥＬＳＩ（倫理的・法的・社会的な課題

統合型複合科目「人工知能と人間社会」の講義部分と重なりがあるため、当該科目を履修した学生は不可。

出席と参加の状況 (15%)、12回のミニレポート（60%）および授業で学んだ生成AIモデルを使って勉強で扱う実際の問題を解く最終レポート (25%)を用いて評価する。

各授業後に60分程度で内容を復習することを期待する。また、学生の理解度を確認するために、一部の授業後には実践的な演習課題も実施する。

オフィス・アワーは設けない。質問や要望はメールで受ける。

パーソナルコンピュータ（PC）利用経験の浅い学生を主に対象として、コンピュータを活用するための基礎的な知識と技能を修得する。
※情報"AI"基礎と名前がついているが、AIについてがメインの講義ではない。あくまでも情報技術の一部としてAIの扱いについて基本的なことに触れる程度になる。
コンピュータの基本的な操作法、レポート文書やプレゼンテーション資料の作成法、セキュリティと倫理、情報検索の方法を学ぶ。統計処理や基礎的なデータ分析を行うためのプログラミングの基礎を学ぶ。

・パーソナルコンピュータのOSの基礎的な操作、ネットワークや生成AI等の安全な利用スキルを得る。
・ワードプロセッサや表計算ソフト、プレゼンテーションソフトを扱う上で必要となる操作技能を得る。
・Rを用いてデータ処理やデータの可視化を行う基礎的技能を得る。

受講者の知識に応じて適宜調整するが、おおよそ以下の内容について学習する予定である。初回はガイダンスも行う。

・コンピュータの基礎とネットワークの利用・AIの活用とその注意点【3週】
・コンピュータでのコンテンツ作成【6週】
　・文書の整形と構造化 (Word)
　・データ分析の基礎 (Excel)
　・プレゼンテーション資料作成の基礎 (PowerPoint)
・Rを用いたデータ処理の基礎【5週】
　・基礎的なデータ分析
　・基礎的なデータの可視化
　・基礎的な統計処理
・フィードバック【1週】

特になし

トピックごとに提出を求める課題・レポートで評価する。レポートは授業で学習したポイントを踏まえているかどうか、記述が明解かどうかなどによって評価する。課された課題・レポートについて、授業回数に応じて配点し合計したものを成績とする。

授業時間外の学習として、トピックごとに提出を求めている課題・レポートについて取り組むことを求める。

質問は随時メールで受け付ける。

情報環境機構が提供する情報セキュリティe-Learningを必ず受講し、修了テストを受けた上で、同テストのフィードバックを確認しておくこと。授業内では受講のための時間は設けないので授業時間外に受講しておくこと。同e-Learningは学生も含めた本学の全構成員に対して毎年受講が求められているものである。2回生以上で過去の年度に受講した場合でも今年度まだ受講していないのであれば必ず受講すること。

経験の浅い学生を主に対象として，コンピュータを活用するための基礎的な知識と技能を修得する．コンピュータの基本的な操作法，レポート文書やプレゼンテーション資料の作成法，セキュリティと倫理，情報検索ならびに生成AIの利用方法，表計算ソフトによるデータ処理の方法，さらにプログラミングの基礎までを学ぶ．

・パーソナルコンピュータのOSとネットワークの利用のための基礎的な操作を習得し、それらを安全に利用できるようになる．
・図書館が提供している情報とその利用法を理解する．
・学術的な文書をワードプロセッサを用いて作成できるようになる．
・表計算ソフトや統計ソフトを用いた基礎的なデータ処理とプログラミングを行えるようになる．
・プレゼンテーションソフトを用いて簡単な学術的プレゼンテーションが行えるようになる．

おおよそ以下の内容について学習する予定である．初回はガイダンスも行う．

コンピュータの基礎とネットワークの利用（1週）
　・OS (オペレーティングシステム) の基本
　・情報セキュリティと情報倫理
情報の探索（1週）
　・学術情報の流れと併せ，情報探索法や生成AI活用の基本を概説する
文書の整形と構造化（3週）
　・Wordによる構造化された文書の作成
　・Word文書での図表と数式の扱い
データ分析の基礎（6週）
　・Excelによるデータ処理の練習（2週）
　・Excelによる作図法の練習（1週）
　・Excel・VBAによるプログラミングの練習（3週）
プレゼンテーション資料作成の基礎（3週）
　・PowerPointによるスライド作成
　・PowerPointによるプレゼンテーションの方法

フィードバック（1週）

特になし

トピックごとに提出を求める課題・レポートで評価する．レポートは授業で学習したポイントを踏まえているかどうか，記述が明解かどうかなどによって評価する．課された課題・レポートについて，授業回数に応じて配点し合計したものを成績とする．

授業時間外の学習として，トピックごとに提出を求めている課題・レポートについて取り組むことを求める．

質問は随時メールで受け付ける．

情報環境機構が提供する情報セキュリティe-Learningを必ず受講し，修了テストを受けた上で，同テストのフィードバックを確認しておくこと．授業内では受講のための時間は設けないので授業時間外に受講しておくこと．同e-Learningは学生も含めた本学の全構成員に対して毎年受講が求められているものである．2回生以上で過去の年度に受講した場合でも今年度まだ受講していないのであれば必ず受講すること．

生き物は知能を発達させることで生存の可能性を高め，その知能進化の過程の中で人間の知能が生まれ，現代では人間の知能が機械の知能としての人工知能(AI)を生み出した。学問としての人工知能は知能をつくる数理工学であり，本授業では知能を作るための基本原理について最新の知見を取り入れながら分かりやすく講義する。特に，自然・社会に存在する様々なデータや知能アーキテクチャの持つ，同変性(equivariance)という構造的不変性の性質の観点から，認識・言語・行動を含む現代の人工知能モデルを統一的に理解する。基本的な数理的知識を用いるが，理系の学生だけではなく，文系の学生を含めて，知能の構成原理や知の本性に関心を持つすべての学生の受講を歓迎する。プログラミングに関する事前知識は特に仮定しない。単なる講義に留まらず，実際にAIシステムを実装して動かしてみる簡単なデモンストレーションやディスカッションを適宜取り入れるため，学生の積極的な授業参加と学生間においても積極的な協働学習・コミュニケーションを期待する。

深層学習・ニューラルネットワークを中心とした現代の人工知能の基本原理を理解する。それにより，これからの人工知能に満ちた世界において，自分の頭で思考し判断し行動できるようになる。

1. 知能の考古学：動物の知能，人の知能，機械の知能
2. 昔のAIと今のAI：学習しない機械と学習する機械
3. ニューラルネットワーク：人間の脳と機械の脳
4. データから学習するとは？：汎化・過学習・正則化
5. 知能の設計図としてのニューラルアーキテクチャ
6. すべての関数を近似可能か？：MLPと普遍近似性
7. AIが世界を見る方法：視覚モデルと同変性
8. AIが言葉を話す方法：言語モデルと同変性
9. ChatGPT/GeminiなどのLLMはなぜ上手く動くのか
10. アーキテクチャ設計言語と構造的方法論
11. 最先端のアーキテクチャとその性能
12. AIと認知科学：強化学習・予測符号化・世界モデル
13. 現在のAIの限界とAIそれ自体の原理的限界
14. AIと心の哲学：意識・認知バイアスと心の不合理性
注：理解度や進度等に応じて適宜授業内容を調整する。授業はフィードバックを含めて全15回で実施する。

特になし

レポートを中心に評価する。毎回の授業におけるディスカッション等への貢献も評価対象とする。

授業資料などによって，毎回の授業について復習を行って理解を深めること。

情報とは何か，情報の処理や計算とはどのようなものか，現在のAI（Artificial Intelligence, 人工知能）とはどのようなものかについて，情報の量，情報の表現，情報の伝達，計算の表現，計算の量，現在のAIの原理，AIと社会の問題などの観点から学ぶ．また，現在のコンピュータ，情報ネットワーク，様々な情報システムなどがどのような仕組みで動いているのかについても取り上げる．

情報とは何か，情報の処理や計算とはどのようなものか，現在のAIとはどのようなものかについて学ぶことにより，情報という観点からの問題の捉え方を身につけることを目指す．また，現在のコンピュータ，AI，情報ネットワーク，様々な情報システムがどのような仕組みで動いているのかについて学ぶことにより，現代情報化社会における知的活動および一般生活において必要となる情報利活用能力の基礎となる知識を身につける．

以下のような内容について授業を行う予定である．

［第一部］情報

01 情報とは何か：主観確率，ベイズの定理（田島）
02 情報の量：自己情報量，エントロピー（Huang）
03 機械のための情報の表現：アナログとディジタル，誤り訂正符号，データ圧縮，公開鍵暗号（田島）
04 人間のための情報の表現：情報の変換，統計データの表現，人間の認知特性，文化依存性（田島）

［第二部］AI基礎

05 AIとは：人間の知能との比較，AIの歴史，タスク分類，生成AIでできること（Huang）
06 AIの動作原理：深層学習， GPT ，自己教師つき学習，指示学習，強化学習（Huang）
07 自然言語処理, 機械翻訳 （Huang)
08 AI利用の留意点：倫理的・法的・社会的課題，著作権，学業で利用する際の心得（東風上）
09 ヒューマンインタフェース, ヒューマンロボットインタラクション（東風上）

［第三部］計算

10 計算とは何か：論理回路，有限状態機械，チューリングマシン，ラムダ計算，コンピュータ，計算不可能な問題（田島）
11 計算の表現と量：アルゴリズム，漸近的計算量（田島）
12 計算のための情報の表現：データ構造，関係，グラフ，一意性，冗長性（田島）
13 複数処理の実行・複数主体による処理：スケジューリング，並列処理，分散処理，OSの役割，インターネットの仕組（田島）
14 情報に基づく意思決定：ゲーム理論（田島）
15 フィードバック（田島・東風上・Huang）

特になし

授業期間中にほぼ毎週課す課題に対する提出内容（20%）および期末試験（80%）により評価を行う．評価の際には，本講義で学ぶ「情報とその表現や処理およびAIとはどのようなものか」「コンピュータやAIや情報システムはどのような原理で動いているか」などの知識について，その技術的な詳細を正確に覚えているかどうかよりも，各所各所の要点，および，それらの間の関係の全体像を，自分の言葉で説明でき，かつ，他の分野に応用できる程度に体得できているかを評価する．

授業資料や演習問題の解説資料などを用いて毎授業ごとに復習を行うこと．また，事前に授業資料が配布されるなどにより授業内容が事前にわかっている回については，取り上げられる概念などについて各自で調べて予習を行うこと．

オフィスアワーはメールによる事前予約のこと．メールアドレスは以下の通り（「＠」を「@」に置き換えること）：
田島：tajima＠i.kyoto-u.ac.jp
東風上：kochigami＠robot.soc.i.kyoto-u.ac.jp
Huang：huang＠nlp.ist.i.kyoto-u.ac.jp

As the world and the sciences become increasingly computerized, it is increasingly important to understand how to search, process, and analyse large bodies of digital data. This course is designed for all students of all disciplines. The purpose is to learn the the basic concepts and methods for systematic processing of data encountered in any field.
Lectures will focus on learning basic command line tools for automatic processing of data, including sorting, filtering, summarizing, searching, and other related programming.

At the end of the course, students should be able to operate a computer to automatically:
(1) search for specific entries in large collections of data
(2) search for pattern-like entries in large collections of data
(3) filter desired content from large collection of data
(4) perform basic summary and counting statistics on data
(5) assemble small processing pipelines from the various tools they will study

(1) What is a computer, what is an operating system?
Remove microsoft/apple preconceptions.
Using Command Line Interfaces (CLI) to interact with computers: Shell.
Logging in to a remote machine (SSH, public/private keys, etc.)

(2) Using remote and local machines.
Basic Networking: TCP, FTP/HTTP, IP.
Managing data: Disk management, file systems, file system structure (tree), file permissions.
Moving data between machines: SCP, RSYNC.
Installing software: package managers (RPM, APT).
Security: Super User (su, sudo), users, groups.
Diagnostic tools: PS, HTOP, DF, etc.

(3) Complex commands for string manipulation and search.
Moving data between programs: standard in/out/error streams, piping, redirecting.
String manipulation: Regular Expressions, wildcards, AWK, SED
Loops: for/while loops, loop conditions.
Finding information: Stack Overflow, MAN pages.

(4) Shell Scripts and programming languages.
What is a "program"? Libraries, functions, paths, environmental variables.
Programming languages: interpreted versus compiled, lazy versus strict evaluation, data types. Python, R, Perl, Fortran, C/C++, Java.

(5) Data Formats
Binary versus Textual (CSV etc.). HDF5 (computer independent representation).
Statistics: Summary statistics on data. Good/bad ways of thinking.

(6) Data representation/presentation
Simple plotting/graphing (matlab, matplotlib, R, ggplot, gnuplot).
Why excel is bad (limitations).
Formats: PDF, vector versus raster.

(7) Representation of large data sets.
(Relational) Databases, SQL, "queries", subsets.

(8) Keeping track of your work (Version Control).
Version Control: CVS, SVN, GIT, mercurial. Remote versus local repositories.
Backing up: Version Control is not back-up. Backing up practices (tape, disks, etc.).

(9) Data processing THEORY
Best practices: concepts to reproduce reusibility.
Basic parallelization (GNU parallel).

(10) "Big Data" processing.
Parallelizing: MapReduce, Hadoop, Spark, MPI.
Big filesystems: HDFS, lustre, NFS.
Clusters, Supercomputers.
Scheduling computer time and resources (scheduler): TORQUE

(11) Modeling, optimization, parameter search
Gradient descent methods, neural networks
Parameter estimation: markov chain monte-carlo, evolutionary algorithms.
Random seeds: pseudorandom issues on large machines

(12) Project

(13) Project

(14) Project (presentations)

(15) Feedback

No prior knowledge of computer programming or data processing is necessary

Class attendance and participation (10%), Quizzes (40%), Final Project/Report (50%)

Students are strongly recommended to practice class materials and on their own data outside of class to deepen their understanding.

A personal computer is strongly recommended and makes the course significantly more accessible. While Windows-based, macOS-based and GNU/Linux systems are all acceptable, the majority of the course will focus on UNIX-based tools.

Acquiring Information and Communication Technology (ICT) skills is essential for academic success. This course aims at the following:

-Teaching students basic ICT skills for their academic activities. They will develop such skills to fully utilize the services provided by the university to search for information, process data, write papers, and present their studies, while learning to use AI tools responsibly as aids in these activities.

- Guiding students into becoming independent ICT users that can autonomously learn to manage and operate their personal computers and networks.

- Helping students acquire the capability to continuously learn new ICT skills by themselves and particularly the skills not dealt with in the course.

At the end of the semester, students should be able to know the basics of operating systems and information networks. They should also acquire all the skills for academic information retrieval, data processing, writing, and presentation. Finally, students will understand the basics and practices of programming, as well as the capabilities, limitations, and ethical considerations of using AI tools in academic work.

Computer basics (1 week)
　-　Introduction of this course
　-　Basics of operating systems
Basics of information networks (2 weeks)
　-　In-campus information services and networks (1 week)
　-　Information security (1 week)
Academic information seeking (1 week)
　-　Academic information and libraries
　-　Skills of information seeking for academic purposes
Academic content creation (6 weeks)
　-　Data processing with a Spreadsheet (2 weeks)
　-　Academic report writing (2 weeks)
　-　Presentation (2 weeks)
Basics of programming (4 weeks)
　-　Overview of programs and programming (1 week)
　-　Basic programming exercises (1 week)
　-　Advanced programming exercises (2 weeks)

特になし

Grading will be based on the evaluation of submitted reports for each assignment. All assignments will be available via the LMS system.

Students are expected to read the corresponding materials ahead of each class and practice the acquired knowledge by solving proposed problems during the class. After studying each topic, student will have a full week to write and submit their reports.

No office hours are specified. E-mail: rafik.hadfi@i.kyoto-u.ac.jp

Students must complete the Information Security e-Learning provided by the Institute for Information Management and Communication (IIMC), Kyoto University, including the final test of the course, and confirm its feedback. No class hour is assigned to take this e-learning, and students must take this e-learning outside the class hours. All the members of Kyoto University are asked to take this e-learning every year, and hence students in the second grade and above also should complete this e-learning.

本授業では，実際にコンピュータ上で人工知能モデルを実装・実験することを通じて，現代の機械学習・深層学習のしくみを体験的に理解することを目的とする。現代の人工知能の中核をなすニューラルネットワークモデルを自ら実装し動かすことで，その原理と挙動を具体的に学ぶ。Python および機械学習ライブラリ Pytorch を用いて，モデル設計・学習・評価などの一連のプロセスを総合的に学習する。特に多層パーセプトロン，畳み込みニューラルネットワーク，トランスフォーマーなどの代表的なモデルを実装し実験する。グループプロジェクトおよびファイナルプロジェクトを通じて，小規模なデータセットを対象に，問題設定・モデル設計・実装・評価・発表までのプロセスを実践し，人工知能システムを構成する力と，その振る舞いを批判的に理解する力を養う。主として Google Colab 上で演習を行い，個別の環境構築の負担をできるだけ減らす。人工知能・機械学習やプログラミングの事前知識は特に仮定しない独立した授業であり，本授業のみの履修でも一定の実践的知識を習得することができる。理系の学生だけではなく，文系の学生も歓迎する。演習形式の授業として，プレゼンテーションやディスカッションを多数取り入れるため，学生の積極的な授業参加と，学生間の協働的学習・連携・コミュニケーションを期待する。

深層学習・ニューラルネットワークを中心とした現代的な人工知能・機械学習システムを実装できるようになる。グループワークを通じて他者と協働・連帯・調和し，コラボレーションによりプロジェクトを完遂するというプロセスを体験しそれを楽しむ。

1. ガイダンスと環境構築
2. Google Colab で Python プログラミング入門
3. 人工知能・機械学習の基本概念
4. Pytorch で機械学習プログラミング入門
5. 多層パーセプトロンとその変種
6. グループプロジェクト(1)
7. 畳み込みニューラルネットワーク
8. 注意機構とトランスフォーマー
9. グループプロジェクト(2)
10. 同変ニューラルネットワーク
11. 複合同変ニューラルネットワーク
12. グループプロジェクト(3)
13. ファイナルプロジェクト発表会(1)
14. ファイナルプロジェクト発表会(2)
注：理解度や進度等に応じて適宜授業内容を調整する。授業はフィードバックを含めて全15回で実施する。

特になし。ただし演習授業のため履修可能人数を制限する。

ファイナルプロジェクト・グループプロジェクトの成果・プロセス・自身の貢献の仕方をまとめたレポートとプレゼンテーションの質を中心に複合的に評価する。毎回の授業への参加・議論等への貢献も評価対象とする。

授業資料，参考プログラムなどによって，毎回の授業について復習を行って理解を深めること。