userid stringclasses 377
values | course_number int64 1 15 | question_number int64 1 5 | question_content stringclasses 5
values | answer_content stringlengths 1 4.12k ⌀ | grade stringclasses 5
values |
|---|---|---|---|---|---|
C-2021-2_U77 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | null | F |
C-2021-2_U77 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | null | F |
C-2021-2_U77 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | F |
C-2021-2_U77 | 10 | 4 | 質問があれば書いてください | null | F |
C-2021-2_U77 | 10 | 5 | 今日の授業の感想や反省を書いてください | null | F |
C-2021-2_U103 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造化データである言語、画像、音声はそれぞれに合った方法で処理されている。これらのデータを含む様々なデータが何かを当てるパターン認識をコンピュータに行わせる技術は少しづつ身近なものになってきている。 | B |
C-2021-2_U103 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 非構造化データをコンピュータで分析するために、例えばパターン認識では、大量データと機械学習との掛け合わせで達成しようとする基本的なものから、深層ニューラルネットワークを活用するなど、様々な方法があることが分かった。しかしまた、似ていることの定義が難しいことからパターン認識の実現も難しいこともよく分かった。 | B |
C-2021-2_U103 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | 特にない。
| B |
C-2021-2_U103 | 10 | 4 | 質問があれば書いてください | 特にない。 | B |
C-2021-2_U103 | 10 | 5 | 今日の授業の感想や反省を書いてください | 「似ている具合の考えどころ」から広がる認識論は非常に面白いものだと思った。パターン認識はその応用の幅も広いので、今後の技術開発の進展に期待し、注目していきたいと思った。 | B |
C-2021-2_U124 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造化データについて
パターン認識とは、またその例 | B |
C-2021-2_U124 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 身近に使われている非構造化データやパターン認識について分かった。 | B |
C-2021-2_U124 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | とくにない | B |
C-2021-2_U124 | 10 | 4 | 質問があれば書いてください | とくにない | B |
C-2021-2_U124 | 10 | 5 | 今日の授業の感想や反省を書いてください | 身近なところでも活用されていることを知って面白かった。 | B |
C-2021-2_U47 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | null | F |
C-2021-2_U47 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | null | F |
C-2021-2_U47 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | F |
C-2021-2_U47 | 10 | 4 | 質問があれば書いてください | null | F |
C-2021-2_U47 | 10 | 5 | 今日の授業の感想や反省を書いてください | null | F |
C-2021-2_U134 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | null | F |
C-2021-2_U134 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | null | F |
C-2021-2_U134 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | F |
C-2021-2_U134 | 10 | 4 | 質問があれば書いてください | null | F |
C-2021-2_U134 | 10 | 5 | 今日の授業の感想や反省を書いてください | null | F |
C-2021-2_U172 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | null | F |
C-2021-2_U172 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | null | F |
C-2021-2_U172 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | F |
C-2021-2_U172 | 10 | 4 | 質問があれば書いてください | null | F |
C-2021-2_U172 | 10 | 5 | 今日の授業の感想や反省を書いてください | null | F |
C-2021-2_U72 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 表式で表されるデータを構造化データという。また、表形式で表されないものを非構造化データという。言語データはその１種であり、文字列で表されるデータである。自然言語処理の例として頻出言語という言語データ上で最も使われた言葉を探したり、翻訳というものも用いられている。あとは検索や対話もその１つである。ベクトルは数字の組と考える。A君の身長と体重を並べて２次元ベクトルといったように。画像もベクトルである。左上から順に数字つけられた色の組み合わせとして考えられる。いわゆる画素とは、そのベクトルの数である。画像に関する分析課題として画像認識が主にあげられる。また音声分析では音声合成や音声認識が主である。パターン認識とは非構造化データを対象にそれが何かを当てる方法のこと。行動や感情を認識して、どの状態かを当てる。これは人間には簡単で、機械には殆難しい。機械は特にパターン付けをして回答させるため、例えば動物を認識する機械に自動車を見せても一切の認識を行わない。さらに似ているということの定義は難しい。哲学的になるため、考えるほど面白くなる。近年のパターン認識では大量の画像データ境界を作り、場合分けする。パターン認識を行う際、機械であるため、深層ニューラルネットワークによってグループ分けができるようになった。また、パターン認識の応用として自動化技術や異常検出がある。 | F |
C-2021-2_U72 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 大体わかった。 | F |
C-2021-2_U72 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | 特になし | F |
C-2021-2_U72 | 10 | 4 | 質問があれば書いてください | 特になし | F |
C-2021-2_U72 | 10 | 5 | 今日の授業の感想や反省を書いてください | ニューラルネットワークは友人間との話題ででたため、今回でよくわかった。 | F |
C-2021-2_U56 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造化データは表形式にならないので、構造的データとは呼ばれない。言語データは文字列で表されるデータである。自然言語処理は言語データをコンピュータによって分析する技術である。頻出言語は言語データの中で最も多く出てきた単語を見つける処理である。翻訳は対訳データをＡＩに学習させる場合が主流である。自然言語処理のその他の例は検索、要約、対話、校正、トピック分析などがある。単なる文字列から意味へ言語処理がなってきている。意味解析により言葉の計算が可能になった。パラフレーズ解析により、言葉としては違うが、意味はおなじという、難しい問題にも挑戦している。センチメント解析では文章に潜む感情を推測する課題に挑戦している。非構造データ処理には、言語データの他に、画像処理がある。実は画像はベクトルである。画像データに関する様々な分析には画像認識、コンピュータビジョン、画像処理、画像生成、特徴抽出がある。音声は時々刻々と変わる音の波の高さを数値化すればデータになる。音声データの分析には音声認識、話者認識、感情認識、音声合成などがある。音楽データの分析として、楽曲分析、自動作曲および作曲支援、音響分析、音楽認識、楽曲推薦、音楽データ圧縮などがある。環境音データの分析として、環境音認識、音源分離、音源道程、異常音検出などがある。パターン認識とは、画像や音声、テキストなど、様々なデータを対象として、それが何であるかを当てる方法である。コンピュータは認識できる対象は事前に決められている。似てる具合の決め方はあやふやである。最近のパターン認識では大量データと機械学習により、境界線ができれば、認識が可能になる。深層ニューラルネットワークにより、パターン認識できるようになっている。ルールベースのパターン認識の利点はなぜそのように認識したかを明確に説明できる点がある。欠点としてはどのようなルールを設定すれば良いかが明らかではないことと、手動で設定したルールでは性能が出ない場合もある点である。 | B |
C-2021-2_U56 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 非構造データ処理の種類で、自然言語処理、画像処理、音声データ分析について詳しく知ることができた。またパターン認識についても理解することができた。 | B |
C-2021-2_U56 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | 特にありません | B |
C-2021-2_U56 | 10 | 4 | 質問があれば書いてください | 特にありません | B |
C-2021-2_U56 | 10 | 5 | 今日の授業の感想や反省を書いてください | 今回は非構造的データについて詳しく知った。データ処理には様々な種類があるが、AIではまだ人間ほどの能力がなく、どれだけ人間の認識能力が優れているかを再確認できた。現在何気なく使っているスマホのカメラは恐ろしく高性能なものであることを知って、偉大な先人達のおかげで、我々は便利な世界を享受していることを実感できた。今後も詳しくデータ処理について学んでいきたい。 | B |
C-2021-2_U46 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 構造化データ：表形式 非構造化データ：表形式でない。文章や画像、音声など
自然言語処理：言語データの分析。ex.頻出言語、翻訳
画像処理：画像はベクトル。各点のデータを数値で保存。 音声処理：音声認識や合成音声、自動作曲など
パターン認識：画像や音声からパターンを予測。コンピュータは事前の膨大なデータ学習が必要
自動化技術や異常検出に役立つ | D |
C-2021-2_U46 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | データ処理の方法とそれの活かし方がわかった | D |
C-2021-2_U46 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | D |
C-2021-2_U46 | 10 | 4 | 質問があれば書いてください | null | D |
C-2021-2_U46 | 10 | 5 | 今日の授業の感想や反省を書いてください | 近年話題になっているAIや自動化技術の話が出て面白かった | D |
C-2021-2_U118 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造化データには言語処理や画像処理、音声処理があり、身近なところ、例えばtwitterのトレンドや翻訳などに活用されている。パターン認識によって郵便番号の識別や医療の分野にまで大幅な進歩がもたらされている。 | B |
C-2021-2_U118 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 顔認識や音声認識など、私たちの使っているスマートホンなどにも使われている技術がパターン認識によって可能になっていることがわかった。 | B |
C-2021-2_U118 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | 画像とベクトルが結びついていることは想像すらしていなかったので驚いたが、どのように関係しているのかがよく分からなかった。 | B |
C-2021-2_U118 | 10 | 4 | 質問があれば書いてください | 特にありません。 | B |
C-2021-2_U118 | 10 | 5 | 今日の授業の感想や反省を書いてください | 聞いたことのあることや身近なことを学べたのでとても興味深かったです。もっと画像とベクトルの関係など知っていきたいと思いました。 | B |
C-2021-2_U109 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造化データの処理方法、パターン認識 | B |
C-2021-2_U109 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 一見すると扱いにくいデータのように思われる非構造化データでも身の回りでコンピューターが関わっていることが分かった。
パターン認識が様々なところに応用されていることがわかった。
| B |
C-2021-2_U109 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | B |
C-2021-2_U109 | 10 | 4 | 質問があれば書いてください | null | B |
C-2021-2_U109 | 10 | 5 | 今日の授業の感想や反省を書いてください | パターン認識は近年精度が向上してきておりより一層様々な場面で使われるだろう大事な技術だと感じた。 | B |
C-2021-2_U95 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造データに関する分類の話 | D |
C-2021-2_U95 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 人間がなんとはなしにやっていることを改めて言語化してグループ分けすることの難しさを感じた。 | D |
C-2021-2_U95 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | わかりやすかった。 | D |
C-2021-2_U95 | 10 | 4 | 質問があれば書いてください | null | D |
C-2021-2_U95 | 10 | 5 | 今日の授業の感想や反省を書いてください | 上記したように人間が無意識にやっていることを言語化して、分類することの難しさがわかった。そして、Siriは実はすごいのではないかと思い始めた。 | D |
C-2021-2_U120 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造化データの中には、言語、画像、音声などがある。言語に関しては自然言語処理を行う。画像データの画素はベクトルである。 | A |
C-2021-2_U120 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 音声データはフーリエ変換を行う。トレンドなどは自然言語処理の頻出言語の検出による。 | A |
C-2021-2_U120 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | A |
C-2021-2_U120 | 10 | 4 | 質問があれば書いてください | null | A |
C-2021-2_U120 | 10 | 5 | 今日の授業の感想や反省を書いてください | 深層ニューラルネットワークでの境界線の引き方の概念がわかった。 | A |
C-2021-2_U141 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | ベクトルやパターン認識を介して、コンピューターは言語、画像、音声などの非構造化データを認識できるが、コンピューターの学習は人類と違い、判断の基準が曖昧なので、大量のデータに基づいた機械学習や深層ニューラルネットワークで、認識の正確性を高めようとしている。応用として様々な自動化や異常検出が見られる。 | B |
C-2021-2_U141 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 非構造化データの認識、パターン認識の意味と活用、コンピューターの学習と深層ニューラルネットワークの働き方。 | B |
C-2021-2_U141 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | 特にありません。 | B |
C-2021-2_U141 | 10 | 4 | 質問があれば書いてください | 特にありません。 | B |
C-2021-2_U141 | 10 | 5 | 今日の授業の感想や反省を書いてください | AIは病気などの異常検出は公式に沿ってできるので、人間以上に活躍できるが、感情的要素が含まれる認識においては、いつでも人間のようにうまくなることはないと思っていた。だが今の時代では、普通の認識から似ている要素を分類しグルーピングするため、膨大なデータから学習し使える公式を常に更新していて、その分類の練習に使われるデータ量も十分大きく、いつかコンピューターにすべて任せてもいい時代がそのうち来るかもしれないと思った。認識を学習する過程がとても興味深かった。 | B |
C-2021-2_U112 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造データとは文章、画像、音などが代表例で、表形式のデータにならない。文字列で表される言語データをコンピュータで分析する技術を自然言語処理といい、その例として多く出てきた単語を見つける「頻出言語」や「翻訳」、「検索」、「校正」などがある。また、画像は超高次元のベクトルを扱っている。画像分析については「画像認識」や「画像処理」などの例が挙げられる。音のデータについて、音声データの分析では「音声認識」や「話者認識」、「感情認識」など様々な例がある。パターン認識とは様々なデータを対象としてそれが「何」であるかを当てる方法で、人間には簡単であるがコンピュータにとっては難しい。 | B |
C-2021-2_U112 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 画像とベクトルが関係のあるものということを初めて知った。画像がベクトルで表されている様子を理解できた。非構造データの分析は身近に多く存在するもので、よく私達の生活に利用されていることに気づいた。また、パターン認識についてどういったものであるのか、コンピュータがそれを行うことの難しさについて学んだ。 | B |
C-2021-2_U112 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | 深層ニューラルネットワークのパターン認識について少し曖昧な理解になってしまったので、しっかり復習を行いたいと思う。 | B |
C-2021-2_U112 | 10 | 4 | 質問があれば書いてください | 特にありません。 | B |
C-2021-2_U112 | 10 | 5 | 今日の授業の感想や反省を書いてください | 画像がベクトルで表せるものであることについて興味深かった。パターン認識について、人間にとってそれは簡単でコンピュータにとっては難しいことである点について面白いと感じた。パターン認識について、私達が当たり前にできていることをコンピュータにさせようと考えた場合、その当たり前のことについてその仕組みを理解する必要があるが、そのことについて突き詰めて考えていくとよく分からなくなり、不思議に感じると同時に非常に興味深く感じた。 | B |
C-2021-2_U41 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 言語データとは文字列で表せるデータのことである。言語データは例えばSNSやネットで日々大量に生まれている。この言語データは自然言語処理というコンピュータの技術で分析する。例えば自然言語処理の例として頻出言語がある。つまり言語データの中でもっとも多く出てきた単語を見つける処理であり、文書のキーワードやSNSのトレンドなどがある。また、自然言語処理の例に翻訳もある。日本語と英語の場合、英文と日本語のデータを大量に用意して、AIにその傾向を理解させ、対訳データをAI に学習させる場合が主流である。そのほかにも検索、要約、対話、校正、トピック分析（この文章は何について書いてあるのか等を分析する）などもその例である。自然言語処理は、文字列を意味へと変換させている興味深い例もある。これは文字列から意味を考えさせるという技術のおかげで精度が上がっている。例えば各単語や文章をその意味に応じて数値化（ベクトルにする）することで言葉の計算ができる。これは、意味解析という。このほかにもセンチメント解析、パラフレーズ解析や文章生成などがある。とくにパラフレーズ解析、センチメント解析を行わせるには本当に意味を理解させる必要があるので難しい。全ての文字の並びの本（１冊は410ページとする）が所蔵されているという架空のバベルの図書館はデータがどれほど膨大なのかを示す。なのでこの架空の図書館から分かるようにデータは膨大なので意味を考えて効率的に表現していく必要がある。
画像もベクトルである。左上から数字を持ってきてそれをベクトルとする。２値画像は白と黒で表現するものであり、グレースケールは黒と白に加えてグレーも許している。画像の見え方を調節するとはベクトルを操作するということなので、線形代数を学ぶ必要がある。画像データに関する分析課題には、画像認識やコンピュータビジョン、画像処理、画像生成、特徴抽出などがある。
コンピュータにとって「音」もデータである。音は音の波の高さを数値化すればデータになるからだ。音には３種類あり、人間の声である音声、音楽、雑音や騒音または生活音などの一般的な環境音の３種類がある。音声データの分析には、音声認識や話者認識、感情認識、音声合成がある。フーリエ変換などで周波数の分析をすることでどのような周波数が含まれているのかを見る。音楽データの分析の例として、楽曲分析や自動作曲および作曲支援、音響分析、音楽認識、音楽推薦、音楽データ圧縮などがある。環境音データの分析の例として、環境音認識、音源分離、音源同定、異常音検出等がある。このような技術を支えるものとしてパターン認識がある。パターン認識とは様々なデータを与えそれが「何のデータ」であるのかをあてる方法である。コンピュータによるパターン認識は例えば、顔認識や食事認識、物体認識や医用画像認識などがあり、それらは身近になりつつある。パターン認識は人間は普段からやっていて、画像認識や音声認識を無意識・高精度・高速に実行可能である。しかし、複合的な情報を同時に認識することはコンピュータにはまだ難しい。与えられた情報は事前に決められているので、コンピュータのパターン認識は自由に何でも認識できるわけではない。このパターン認識は深層ニューラルネットワークにおいても行われている場合もあるが、基本原理はコンピュータが自分が知っている情報の中から入力データに最も近いものを選んでくるというものである。しかし、「似ている」程度に決まりはなくばらばらである。なので、認識が上手くいくよう適切に決めてあげる必要がある。そのときに図りやすいものを基準にする必要がある。また認識したいものをきちんと定義する。近年のパターン認識は大量データと機械学習で行われる。パターン認識の学習には大量のデータを準備してコンピュータに境界線を引いてもらう。境界線を引ければ、境界線のどっち側にあるのかで認識判別を行う。特に機械学習について最近の機械学習のトレンドは深層ニューラルネットワークである。これでは折り曲げて境界線を作るのようなイメージである。折り曲げるには、実際には足し算や掛け算を使用している（折り曲げ方はパラメータの決定方法）。関数の考え方で行くとパラメータを使い関数をぐにゃぐにゃに曲げていく、空間で考えるとスパッと切れるところまで曲げてそのような状態に持っていく、というイメージになる。ただし、最初から適切な折り曲げ方が分かっているわけではない。したがって、試行錯誤的に折り方を決めていく必要がある、すなわち、深層ニューラルネットワークの学習を進める必要がある。ルールベースのパターン認識はなぜそのように認識したのか明確に説明できるが、どのようなルールを設定すれば良いかが明らかでなく、また手動で設定したルールでは性能が出ない場合もあるというデメリットもある。また、言語化できないものをルールにするのは難しいことになるから、解釈性が犠牲になっているなどの色々な問題がある。
パターン認識は、自動運転や自動診断や自動採点など自動化技術にも応用されている。パターン認識は、人を対象にした、食品や生産物を対象にした、機械や建造物やコンピュータを対象とした異常認識検出にも利用されている。 | A |
C-2021-2_U41 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | バベルの図書館から「意味を考える」ことの大切さが分かりました。パターン認識はそこまで難しくないように感じてコンピュータにもできるような感じで思っていましたが、実はコンピュータにとってパターン認識は限界があり、それを学ぶ方法も難しいことであるということが分かりました。また、深層ニューラルネットワークの仕組みについてよく分かりました。そして、パターン認識が意外にまわりにたくさん応用されているということも分かりました。 | A |
C-2021-2_U41 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | 最初の復習で使ったグラフのイメージがあまりつきませんでした。 | A |
C-2021-2_U41 | 10 | 4 | 質問があれば書いてください | 特にありません。 | A |
C-2021-2_U41 | 10 | 5 | 今日の授業の感想や反省を書いてください | 途中で集中力が切れたり先生の話に追いつけなかったりしたので、先生の授業においつくように次回は気をつけようと思いました。 | A |
C-2021-2_U135 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | null | B |
C-2021-2_U135 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | null | B |
C-2021-2_U135 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | B |
C-2021-2_U135 | 10 | 4 | 質問があれば書いてください | null | B |
C-2021-2_U135 | 10 | 5 | 今日の授業の感想や反省を書いてください | null | B |
C-2021-2_U115 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造化データ処理→言語データ、画像処理、音声データ
パターン認識 機械学習 深層ニューラルネットワークのイメージ | A |
C-2021-2_U115 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 上記の内容の理解 | A |
C-2021-2_U115 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | なし | A |
C-2021-2_U115 | 10 | 4 | 質問があれば書いてください | null | A |
C-2021-2_U115 | 10 | 5 | 今日の授業の感想や反省を書いてください | それぞれの非構造化データの処理について理解できた。マイナーなものを含めれば色々なものが非構造化データになりうると思った。 | A |
C-2021-2_U101 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造データとは構造化できないデータのことで、代表例は文章・画像・音であり、目にする多くのデータは非構造化データである。言語データとは文字列で表されるデータのことでコンピュータで分析する技術のことを自然言語処理という。この処理には頻出言語や翻訳、検索、要約などが含まれる。これらは文字列としての認識にとどまっていたが、意味を認識する意味解析やパラフレーズ解析などの自然言語処理も存在している。画像データは数字の組で表されるため、ベクトルであるといえる。画像データに関しては画像認識や画像生成、特徴抽出など様々な分析課題が存在している。音もデータであり、音声・音楽・環境音の３つに大別される。それぞれについて音声認識や話者認識、楽曲分析、異常音検出など様々な分析が行われる。
パターン認識とは様々なデータに対してそれが何かを当てる方法のことであり、画像認識や音声認識が該当する。コンピュータによるパターン認識は対象が事前に決められているため自由に認識ができるわけではない。基本的な考え方は学習したものの中から似ているものを探すというものであるが、似ている具合に決まりがないことやどう数値化するかという点に難しさがある。最近では大量のデータと機械学習によってパターン認識が行われている。機械学習の方法として最近主流なのが深層ニューラルネットワークであり、パターン認識を応用して技術の自動化や異常検出が行われるようになってきている。 | A |
C-2021-2_U101 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 日々、目にしている多くのデータは非構造データであり、それらを分析することによって私たちの利用する様々な便利なサービスが可能になっているということが分かった。言語データについては文字列としての認識から意味の認識ができるようになり、翻訳機能の向上につながっているということを知ることができた。また、パターン認識では人にとっては簡単なことであってもコンピュータには複合的な認識は難しいということを理解することができた。一方で、ある分野に特化した場合、人間にはとても不可能な量の情報を処理したり正確な判断ができるという強みを持っているということが分かった。生活の中に非構造化データやパターン認識は身近なものとなっているということを知ることができた。 | A |
C-2021-2_U101 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | null | A |
C-2021-2_U101 | 10 | 4 | 質問があれば書いてください | 特にありません | A |
C-2021-2_U101 | 10 | 5 | 今日の授業の感想や反省を書いてください | パソコンやスマホが非常に身近なものになっている今、言語や画像、音のデータは生活に欠かせないものとなっているため、その分析の手法や応用例を知っておくことは大切なことだと感じた。また、ますます発展していくであろう技術とどう共存して人間の強みを出していくかが問題となっている中で、パターン認識の分野では人間の複雑な思考がコンピュータで再現するのはまだ難しいということを知ることができたのは良かったと思う。その一方で特化するとコンピュータが人以上の力を発揮し得るということは興味深いことであるとともに、その可能性があるからこそ、人とコンピュータの違いを知っておくことは重要だろうと思った。大量のデータを利用した機械学習で今後も技術は発展していき、今以上に身近な存在になっていくと思うので、正しい知識を持っておきたい。
授業については、予習した内容の確認ができるとともに資料に載っていないことを聞くことができ理解を深めることができていると感じる。今後も予習復習を徹底していきたい。 | A |
C-2021-2_U133 | 10 | 1 | 今日の内容を自分なりの言葉で説明してみてください | 非構造化データの処理について、言語処理、画像処理、音の処理の3つを学んだ。また、パターン認識について学んだ。 | B |
C-2021-2_U133 | 10 | 2 | 今日の内容で、分かったこと・できたことを書いてください | 言語処理では、言語データをコンピュータによって分析する技術である自然言語処理があることを理解できた。画像はベクトルであることを理解できた。また、音には、音声、音楽、環境音が3つあることがわかった。パターン認識とは、何であるかを当てることであり、大量データと機械学習を掛け合わせることでデータに境界線を引くことができることを理解できた。 | B |
C-2021-2_U133 | 10 | 3 | 今日の内容で、分からなかったこと・できなかったことを書いてください | 画像のところでピクセルや画素がでてきて、少しわかりにくかった。 | B |
C-2021-2_U133 | 10 | 4 | 質問があれば書いてください | ピクセルや画素というのは、単位のようなものという認識で合っていますか。 | B |
C-2021-2_U133 | 10 | 5 | 今日の授業の感想や反省を書いてください | パターン認識で挙げられるものとして、顔認識やスマートスピーカーがあって、とても身近なところにあると感じ、興味深かった。言語、画像や音でそれぞれ様々な処理があり、想像より多く驚いた。今日の内容は理解しやすく、より興味をもって集中して授業に取り組めた。 | B |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.