日本語 English
| 開講年度/ Academic YearAcademic Year |
20262026 |
| 科目設置学部/ CollegeCollege |
社会学部/College of SociologyCollege of Sociology |
| 科目コード等/ Course CodeCourse Code |
DK257/DK257DK257 |
| テーマ・サブタイトル等/ Theme・SubtitleTheme・Subtitle |
AI・機械学習・深層学習入門 |
| 授業形態/ Class FormatClass Format |
対面（全回対面）/Face to face (all classes are face-to-face)Face to face (all classes are face-to-face) |
| 授業形態（補足事項）/ Class Format (Supplementary Items)Class Format (Supplementary Items) |
|
| 授業形式/ Class StyleCampus |
講義/LectureLecture |
| 校地/ CampusCampus |
池袋/IkebukuroIkebukuro |
| 学期/ SemesterSemester |
春学期/Spring SemesterSpring Semester |
| 曜日時限・教室/ DayPeriod・RoomDayPeriod・Room |
火3/Tue.3 Tue.3 ログインして教室を表示する（Log in to view the classrooms.） |
| 単位/ CreditsCredits |
22 |
| 科目ナンバリング/ Course NumberCourse Number |
SOX2010 |
| 使用言語/ LanguageLanguage |
日本語/JapaneseJapanese |
| 履修登録方法/ Class Registration MethodClass Registration Method |
科目コード登録/Course Code RegistrationCourse Code Registration |
| 配当年次/ Assigned YearAssigned Year |
配当年次は開講学部のR Guideに掲載している科目表で確認してください。配当年次は開講学部のR Guideに掲載している科目表で確認してください。 |
| 先修規定/ Prerequisite RegulationsPrerequisite Regulations |
|
| 他学部履修可否/ Acceptance of Other CollegesAcceptance of Other Colleges |
履修登録システムの『他学部・他研究科履修不許可科目一覧』で確認してください。 |
| 履修中止可否/ Course CancellationCourse Cancellation |
〇（履修中止可/ Eligible for cancellation） |
| オンライン授業60単位制限対象科目/ Online Classes Subject to 60-Credit Upper LimitOnline Classes Subject to 60-Credit Upper Limit |
|
| 学位授与方針との関連/ Relationship with Degree PolicyRelationship with Degree Policy |
各授業科目は、学部・研究科の定める学位授与方針（DP）や教育課程編成の方針（CP）に基づき、カリキュラム上に配置されています。詳細はカリキュラム・マップで確認することができます。 https://www.rikkyo.ac.jp/about/disclosure/educational_policy/sociology.html |
| 備考/ NotesNotes |
This course aims to provide students with an understanding of the fundamental concepts of data science and to develop basic literacy for applying these concepts to the analysis of social issues and decision-making.
The learning objectives are for students to understand key concepts such as learning, preprocessing, evaluation metrics, and representative algorithms, and to be able to explain them appropriately.
This course provides a systematic introduction to the fundamentals of AI, machine learning, and deep learning, using large language models such as ChatGPT as an entry point. Focusing on tabular and text data, the course covers the entire workflow from preprocessing and training to evaluation and interpretation. In addition, through hands-on exercises using Google Colab, students will aim to acquire basic implementation skills and evaluation design skills.
Furthermore, the course addresses perspectives on real-world and research-oriented social implementation, with the aim of connecting this foundation to more advanced applications in the subsequent course, Social Data Science II: Advanced.
The difficulty level of this course is equivalent to the introductory level of the G Certification Examination (G Test) administered by the Japan Deep Learning Association (JDLA).
| 1 | ガイダンス・AIの歴史①（古典的AI） キーワード：推論、探索、エキスパートシステム ※初回にデータサイエンス理解度確認テストを実施します。 このテストは今後の授業内容や進行方法の参考とすることを目的としたものであり、成績評価には一切含まれません。 |
| 2 | AIの歴史②（機械学習〜深層学習） キーワード：表現学習、教師あり・教師なし、生成モデル |
| 3 | 機械学習ワークフローと評価設計 キーワード：交差検証、評価指標 |
| 4 | 前処理と特徴量 キーワード：標準化、One‑Hot、欠損処理 |
| 5 | 回帰① キーワード：線形回帰、過学習 |
| 6 | 回帰② キーワード：L1・L2（Lasso・Ridge）、学習曲線 |
| 7 | 分類① キーワード：ロジスティック回帰、データの不均衡 |
| 8 | 分類② キーワード：サポートベクターマシン、決定境界 |
| 9 | 分類③ キーワード：決定木、ランダムフォレスト、特徴量重要度 |
| 10 | 教師なし学習 キーワード：クラスタリング、次元削減 |
| 11 | 深層学習基礎 キーワード：パーセプトロン、活性化関数、GPU |
| 12 | 自然言語処理基礎① キーワード：前処理、形態素解析、ストップワード |
| 13 | 自然言語処理基礎② キーワード：共起ネットワーク、LDA |
| 14 | 社会実装 キーワード：実業界での活用事例、KPI設計、A/Bテスト |
板書 /Writing on the Board
スライド（パワーポイント等）の使用 /Slides (PowerPoint, etc.)
上記以外の視聴覚教材の使用 /Audiovisual Materials Other than Those Listed Above
個人発表 /Individual Presentations
グループ発表 /Group Presentations
ディスカッション・ディベート /Discussion/Debate
実技・実習・実験 /Practicum/Experiments/Practical Training
学内の教室外施設の利用 /Use of On-Campus Facilities Outside the Classroom
校外実習・フィールドワーク /Field Work
上記いずれも用いない予定 /None of the above
授業で提供するスライドを中心に復習して、重要な概念や用語について自分の言葉で説明できるよう理解を深めてください。
また、授業で扱うPythonノートブックについては、自力で再現できる状態まで手を動かし、評価指標・交差検証・分析結果の解釈を含む一連の流れを説明できるようにしてください。
以上を通して、「用語の理解→コードでの再現→結果の言語化」をセットとして、週4時間程度を目安に授業時間外で学修してください。
なお、G検定の取得を目指す学生は、上記の学修に加えて、参考文献等を活用し、各自で自習を行ってください。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 筆記試験 (Written Exam) | 60 | |
| 平常点 (In-class Points) | 40 |
授業内の小テスト(40%) |
| 備考 (Notes) | ||
| 筆記試験の出題形式としては、AI・機械学習・深層学習に関する知識を問う多肢選択式問題に加え、Pythonコードの読解および分析結果の解釈を問う論述式問題を予定しています。 難易度については、「G検定の基礎レベル」に相当する内容を想定していますが、SDSコースが2025年度より開始され、初学者が多いことを踏まえ、小テストの集計結果に基づいて、出題範囲の粒度および期末試験における配点内訳を適宜調整します。 | ||
なし/None
| No | 著者名 (Author/Editor) | 書籍名 (Title) | 出版社 (Publisher) | 出版年 (Date) | ISBN/ISSN |
|---|---|---|---|---|---|
| 1 | 加藤 公一【監修】/秋庭 伸也/杉山 阿聖/寺田 学【共著】 | 『機械学習図鑑 : 見て試してわかる機械学習アルゴリズムの仕組み』 | 翔泳社 | 2019 | 4798155659 |
| 2 | 一般社団法人日本ディープラーニング協会 (監修), 山下 隆義 (著), 猪狩 宇司 (著), 今井 翔太 (著), 巣籠 悠輔 (著), 瀬谷 啓介 (著), 徳田 有美子 (著), 中澤 敏明 (著), 藤本 敬介 (著), 古川 直裕 (著), 松尾 豊 (著), 松嶋 達也 (著) | 『深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版』 | 翔泳社 | 2024 | 4798184810 |
| 3 | 株式会社スキルアップNeXt 小縣 信也 著/株式会社スキルアップNeXt 斉藤 翔汰 著/株式会社スキルアップNeXt 森田 大樹 著/株式会社スキルアップNeXt 田澤 賢 著/株式会社スキルアップNeXt 小宮 寛季 著/株式会社スキルアップNeXt 山田 弦太朗 著/株式会社スキルアップNeXt 安藤 遼哉 著/杉山 将 監修/株式会社ソキウス・ジャパン 編 | 『徹底攻略ディープラーニングG検定ジェネラリスト問題集 第3版』 | インプレス | 2024 | 4295018988 |
本授業の履修にあたっては、計量社会学における回帰分析に相当する初歩的な統計分析の知識を有していることが望まれます。
また、授業は講義を中心に進めますが、Pythonのライブラリを用いた基本的なコードの読み書きができる程度の基礎的知識を有していると、より円滑に理解を深めることができますので、第3回の授業までに自習しておくことを推奨します。
・PC
・Pythonの実行環境を持っていない学生は、Google Colaboratoryを利用するため、Googleアカウントを取得してください
本授業の履修にあたって特別な制限は設けませんが、SDS（ソーシャルデータサイエンス）コースのソーシャルデータサイエンス科目体系の中で発展に該当するため、一定の難易度があります。
データサイエンス分野に十分な基礎知識や経験がない受講生については、授業内容の理解を深めるために、授業外での補足的な学習を行うことが求められます。
本授業では、データサイエンスにまつわる基本的な考え方について学修し、社会課題の分析や意思決定に活用するための基礎的リテラシーを身につけることを目的とします。
学習、前処理、評価指標、代表的なアルゴリズムといった主要概念を理解し、それらを適切に説明できるようになることを到達目標とします。
This course aims to provide students with an understanding of the fundamental concepts of data science and to develop basic literacy for applying these concepts to the analysis of social issues and decision-making.
The learning objectives are for students to understand key concepts such as learning, preprocessing, evaluation metrics, and representative algorithms, and to be able to explain them appropriately.
本授業では、ChatGPTに代表される大規模言語モデルを導入として、AI・機械学習・深層学習の基礎について体系的に学修します。テーブルデータおよびテキストデータを題材とし、前処理・学習・評価・解釈までの一連のプロセスを一貫して扱います。あわせて、GoogleColabを用いた演習を通じて、初歩的な実装力および評価設計力の習得を目指します。
さらに、実務および研究における社会実装の観点についても学び、後続科目である「ソーシャルデータサイエンス2発展」における応用へとつなげることを目的とします。
本授業の難易度は、一般社団法人日本ディープラーニング協会（JDLA）が実施するG検定の基礎レベルに相当します。
This course provides a systematic introduction to the fundamentals of AI, machine learning, and deep learning, using large language models such as ChatGPT as an entry point. Focusing on tabular and text data, the course covers the entire workflow from preprocessing and training to evaluation and interpretation. In addition, through hands-on exercises using Google Colab, students will aim to acquire basic implementation skills and evaluation design skills.
Furthermore, the course addresses perspectives on real-world and research-oriented social implementation, with the aim of connecting this foundation to more advanced applications in the subsequent course, Social Data Science II: Advanced.
The difficulty level of this course is equivalent to the introductory level of the G Certification Examination (G Test) administered by the Japan Deep Learning Association (JDLA).
| 1 | ガイダンス・AIの歴史①（古典的AI） キーワード：推論、探索、エキスパートシステム ※初回にデータサイエンス理解度確認テストを実施します。 このテストは今後の授業内容や進行方法の参考とすることを目的としたものであり、成績評価には一切含まれません。 |
| 2 | AIの歴史②（機械学習〜深層学習） キーワード：表現学習、教師あり・教師なし、生成モデル |
| 3 | 機械学習ワークフローと評価設計 キーワード：交差検証、評価指標 |
| 4 | 前処理と特徴量 キーワード：標準化、One‑Hot、欠損処理 |
| 5 | 回帰① キーワード：線形回帰、過学習 |
| 6 | 回帰② キーワード：L1・L2（Lasso・Ridge）、学習曲線 |
| 7 | 分類① キーワード：ロジスティック回帰、データの不均衡 |
| 8 | 分類② キーワード：サポートベクターマシン、決定境界 |
| 9 | 分類③ キーワード：決定木、ランダムフォレスト、特徴量重要度 |
| 10 | 教師なし学習 キーワード：クラスタリング、次元削減 |
| 11 | 深層学習基礎 キーワード：パーセプトロン、活性化関数、GPU |
| 12 | 自然言語処理基礎① キーワード：前処理、形態素解析、ストップワード |
| 13 | 自然言語処理基礎② キーワード：共起ネットワーク、LDA |
| 14 | 社会実装 キーワード：実業界での活用事例、KPI設計、A/Bテスト |
板書 /Writing on the Board
スライド（パワーポイント等）の使用 /Slides (PowerPoint, etc.)
上記以外の視聴覚教材の使用 /Audiovisual Materials Other than Those Listed Above
個人発表 /Individual Presentations
グループ発表 /Group Presentations
ディスカッション・ディベート /Discussion/Debate
実技・実習・実験 /Practicum/Experiments/Practical Training
学内の教室外施設の利用 /Use of On-Campus Facilities Outside the Classroom
校外実習・フィールドワーク /Field Work
上記いずれも用いない予定 /None of the above
授業で提供するスライドを中心に復習して、重要な概念や用語について自分の言葉で説明できるよう理解を深めてください。
また、授業で扱うPythonノートブックについては、自力で再現できる状態まで手を動かし、評価指標・交差検証・分析結果の解釈を含む一連の流れを説明できるようにしてください。
以上を通して、「用語の理解→コードでの再現→結果の言語化」をセットとして、週4時間程度を目安に授業時間外で学修してください。
なお、G検定の取得を目指す学生は、上記の学修に加えて、参考文献等を活用し、各自で自習を行ってください。
| 種類 (Kind) | 割合 (%) | 基準 (Criteria) |
|---|---|---|
| 筆記試験 (Written Exam) | 60 | |
| 平常点 (In-class Points) | 40 |
授業内の小テスト(40%) |
| 備考 (Notes) | ||
| 筆記試験の出題形式としては、AI・機械学習・深層学習に関する知識を問う多肢選択式問題に加え、Pythonコードの読解および分析結果の解釈を問う論述式問題を予定しています。 難易度については、「G検定の基礎レベル」に相当する内容を想定していますが、SDSコースが2025年度より開始され、初学者が多いことを踏まえ、小テストの集計結果に基づいて、出題範囲の粒度および期末試験における配点内訳を適宜調整します。 | ||
なし/None
| No | 著者名 (Author/Editor) | 書籍名 (Title) | 出版社 (Publisher) | 出版年 (Date) | ISBN/ISSN |
|---|---|---|---|---|---|
| 1 | 加藤 公一【監修】/秋庭 伸也/杉山 阿聖/寺田 学【共著】 | 『機械学習図鑑 : 見て試してわかる機械学習アルゴリズムの仕組み』 | 翔泳社 | 2019 | 4798155659 |
| 2 | 一般社団法人日本ディープラーニング協会 (監修), 山下 隆義 (著), 猪狩 宇司 (著), 今井 翔太 (著), 巣籠 悠輔 (著), 瀬谷 啓介 (著), 徳田 有美子 (著), 中澤 敏明 (著), 藤本 敬介 (著), 古川 直裕 (著), 松尾 豊 (著), 松嶋 達也 (著) | 『深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版』 | 翔泳社 | 2024 | 4798184810 |
| 3 | 株式会社スキルアップNeXt 小縣 信也 著/株式会社スキルアップNeXt 斉藤 翔汰 著/株式会社スキルアップNeXt 森田 大樹 著/株式会社スキルアップNeXt 田澤 賢 著/株式会社スキルアップNeXt 小宮 寛季 著/株式会社スキルアップNeXt 山田 弦太朗 著/株式会社スキルアップNeXt 安藤 遼哉 著/杉山 将 監修/株式会社ソキウス・ジャパン 編 | 『徹底攻略ディープラーニングG検定ジェネラリスト問題集 第3版』 | インプレス | 2024 | 4295018988 |
本授業の履修にあたっては、計量社会学における回帰分析に相当する初歩的な統計分析の知識を有していることが望まれます。
また、授業は講義を中心に進めますが、Pythonのライブラリを用いた基本的なコードの読み書きができる程度の基礎的知識を有していると、より円滑に理解を深めることができますので、第3回の授業までに自習しておくことを推奨します。
・PC
・Pythonの実行環境を持っていない学生は、Google Colaboratoryを利用するため、Googleアカウントを取得してください
本授業の履修にあたって特別な制限は設けませんが、SDS（ソーシャルデータサイエンス）コースのソーシャルデータサイエンス科目体系の中で発展に該当するため、一定の難易度があります。
データサイエンス分野に十分な基礎知識や経験がない受講生については、授業内容の理解を深めるために、授業外での補足的な学習を行うことが求められます。