基本情報/Basic Information

開講科目名 ／Class	深層学習／Deep Learning
授業コード ／Class Code	B601731001
ナンバリングコード ／Numbering Code	DSCc610
開講キャンパス ／Campus	ﾎﾟｰﾄｱｲﾗﾝﾄﾞ
開講所属 ／Course	経営学部／Business Administration
年度 ／Year	2025年度／Academic Year
開講区分 ／Semester	後期／AUTUMN
曜日・時限 ／Day, Period	火3(後期)／TUE3(AUT.)
単位数 ／Credits	2.0
主担当教員 ／Main Instructor	金澤　拓也／KANAZAWA　TAKUYA
遠隔授業 ／Remote lecture	No

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
金澤　拓也／KANAZAWA　TAKUYA	経営学部／Business Administration

授業の方法 ／Class Format	対面授業（講義，演習）
授業の目的 ／Class Purpose	本講義は，経営学部のＤＰに示す，「企業を始めとした多様な組織の事業計画・経営戦略の策定に必要なデータを収集し，意思決定に必要な課題をシステマティックに分析し，合理的な解決を図るのに必要な知識や技能を修得する」ことを目指す。 深層学習（ディープラーニング）は近年急激に進歩し，機械学習の一分野という位置づけを超えて今では画像生成やチャットボット，監視カメラ，顔認証といった形で日常生活にまで入り込んでいる。一過性のブームではなく今後の企業DX（＝デジタル技術による業務革新）の根幹となりうる技術であり，その基礎的要素の理解は文理を問わず重要である。本講義ではディープラーニングの歴史，その分類，他のAIとの違い，性能を上げるための泥臭い工夫，といったトピックを紹介するとともに，履修者には自分で手を動かして体験してもらうことを予定している。 本科目の履修者は前期の「機械学習」を履修済みであることが望ましい。 なお，この科目の担当者は，企業でAIとデータサイエンスの産業応用について研究開発を行った実務経験のある教員である。講義では，経験を生かした実践的な学びへと繋げていきたい。
到　達　目　標 ／Class Objectives	・ニューロンと活性化関数の定義を説明できる。 ・画像や時系列のデータに適したニューラルネットワーク構造を挙げることができる。 ・生成AIが何をしているのか直観的に説明できる。 ・AIの信頼性とリスクについて，客観的な見方ができる。
授業のキーワード ／Keywords	深層学習，パーセプトロン，ニューロン，活性化関数，損失関数，畳み込みニューラルネットワーク，再帰型ニューラルネットワーク，トランスフォーマー，生成AI
授業の進め方 ／Method of Instruction	前半は主に講義形式で進める。 後半の演習の回では各自が自分のPCで作業を行うため，充電した使用可能な状態のノートPCを持参できることを受講の前提条件とする。使用するソフトウェアは授業中に指示する予定である。 また演習を行う回は授業の進度によってシラバスの予定からずれる可能性があるので，授業中のアナウンスを聞いて準備すること。
履修するにあたって ／Instruction to Students	講義に関する連絡，資料提供などは主にMoodleを通じて行う。本科目のMoodle上のページから転送されるメールを必ず確認すること（確認しないことによって生じる不利益は履修者自身の責任による）。また，授業中にアナウンスした連絡事項を欠席で聞き逃した場合も，不利益は履修者自身の責任とする。
授業時間外に必要な学修内容・時間 ／Required Work and Hours outside of the Class	復習に毎週一時間の自宅学習が目安である。
提出課題など ／Quiz,Report,etc	授業中に指示する。
成績評価方法・基準 ／Grading Method・Criteria	演習への取り組みと成果物（30%）＋期末試験（70%）で総合的に評価する。
テキスト ／Required Texts	特定のテキストは使用しない。
参考図書 ／Reference Books	・山口達輝ほか　『図解即戦力　機械学習&ディープラーニングのしくみと技術がこれ1冊でしっかりわかる教科書』　技術評論社　2019年　2,178円 ・山下隆義　『イラストで学ぶ ディープラーニング　改訂第2版』　講談社　2018年　2,860円

No.	回 ／Time	主題と位置付け ／Subjects and position in the whole class	学習方法と内容 ／Methods and contents	備考 ／Notes
1	第1回	ガイダンス	授業の進め方，学習内容の紹介， 受講のルールなどの説明。
2	第2回	ニューラルネットワークの歴史	初期の素朴なニューロンモデルから近年のChatGPTのような巨大なAIまでの紆余曲折を概観する。
3	第3回	学習の仕組み	ニューラルネットワークが損失関数の最小化（勾配降下法）によって学習する仕組みを理解する。
4	第4回	ディープラーニングの課題とその克服	長年，ディープラーニング研究者を苦しめた問題（勾配消失など）とその対策を概観する。
5	第5回	畳み込みニューラルネットワーク	画像データに対する学習アルゴリズムを学ぶ。
6	第6回	再帰型ニューラルネットワーク	ニューラルネットワークの出力を次の入力として順次受け取るような，言語データの処理に適したニューラルネットワークの成り立ちを学ぶ。RNN, LSTM, GRUなど。
7	第7回	汎化性能を高める工夫	訓練データの量には限りがある。そこで少ないデータでも性能を高めるための工夫を紹介する。ドロップアウト，バッチ正則化，重み減衰，データ・オーグメンテーション，半教師あり学習など。
8	第8回	深層強化学習	囲碁やチェスで人間を超えたAIの基礎理論である深層強化学習（ニューラルネットワークを用いた強化学習）の要点をつかむ。
9	第9回	生成AI(1)	オートエンコーダ，VAEなど初期のデータ圧縮＆生成モデルを学ぶ。
10	第10回	生成AI(2)	敵対的生成ネットワーク（GAN）とその後の発展（アテンション，transformerなど）を学ぶ。
11	第11回	その他の話題	複雑なAIモデルの挙動が人間にはミステリアスに見えるという解釈困難性の問題，ハルシネーションなどAIの信頼性を揺るがす品質上の問題，転移学習，知識蒸留，といった中からトピックを選んで紹介する。
12	第12回	実践演習(1)	PCでディープラーニングを体験する。
13	第13回	実践演習(2)	PCでディープラーニングを体験する。
14	第14回	実践演習(3)	PCでディープラーニングを体験する。
15	第15回	実践演習(4)	PCでディープラーニングを体験する。