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 |
DK258/DK258DK258 |
| テーマ・サブタイトル等/ Theme・SubtitleTheme・Subtitle |
深層学習・生成AIの仕組みと社会実装 |
| 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 |
秋学期/Fall semesterFall 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 |
SOX3010 |
| 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 |
ソーシャルデータサイエンス２基礎 |
| 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 builds on the content covered in the spring-semester course Social Data Science II: Foundations and aims to develop a systematic understanding of theoretical knowledge related to AI and deep learning, as well as the associated legal frameworks and ethical considerations.
Specifically, the course seeks to equip students with practical data analysis skills, including the ability to implement and interpret results from ensemble learning methods applied to tabular data and text data analysis using deep learning techniques (natural language processing).
In addition, after gaining an understanding of the core technologies underlying generative AI such as ChatGPT (e.g., Transformers), students will develop the ability to critically examine and discuss the societal impacts of AI from perspectives including ethics, law, and bias.
Building on the machine learning knowledge acquired in the first-semester course Social Data Science II: Foundations, this course focuses on the techniques of deep learning, which have become the current mainstream approach, as well as the challenges associated with their implementation in society.
In the first part of the course, using tabular data as the primary material, students will study powerful algorithms widely used in practice (such as gradient boosting) along with the fundamentals of neural networks.
In the middle part, the course examines the rapid recent advances in natural language processing, tracing developments from Word2Vec to Transformers and large language models.
In the final part, the course addresses AI ethics, law, and governance in detail, enabling students to acquire the knowledge necessary to apply data science appropriately in society.
The difficulty level of this course is equivalent to the standard level of the G Certification Examination (G Test) administered by the Japan Deep Learning Association (JDLA).
| 1 | ガイダンスおよびデータサイエンス理解度確認テスト ※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 | 機械学習の応用 キーワード: アンサンブル学習、バギング、勾配ブースティング、LightGBM、XGBoost |
| 3 | ディープラーニングの基礎① キーワード: 入力層・隠れ層・出力層、多層パーセプトロン |
| 4 | ディープラーニングの基礎② キーワード: 交差エントロピー、勾配降下法、誤差逆伝播法、活性化関数 |
| 5 | ディープラーニングの基礎③ キーワード: 最適化手法（SGD, Adam）、正則化（ドロップアウト）、ミニバッチ学習、エポック |
| 6 | ディープラーニングの技術① キーワード: 分散表現、単語埋め込み（Word2Vec）、BOW、類似度 |
| 7 | ディープラーニングの技術② キーワード: リカレントニューラルネットワーク、LSTM |
| 8 | ディープラーニングの技術③ キーワード: Seq2Seq、Attention、Transformer、 Encoder-Decoder |
| 9 | 大規模言語モデル（LLM）の仕組み キーワード: BERT、GPT、大規模言語モデル（LLM）、 事前学習・ファインチューニング |
| 10 | 生成AIの活用とプロンプトエンジニアリング キーワード: ChatGPT、文章生成、ゼロショット、 生成AI |
| 11 | モデルの解釈性と説明可能なAI（XAI） キーワード: XAI、SHAP、特徴量重要度 |
| 12 | AIと法律 キーワード: AI生成物、個人情報保護法、著作権法 |
| 13 | AI倫理とガバナンス キーワード: アルゴリズムバイアス、公平性、ディープフェイク |
| 14 | AIプロジェクトの社会実装・総括 キーワード: MLOps |
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、自力で再現できるようにし、パラメータを変えると結果がどう変わるか実験するなどして、データサイエンスに習熟してください。
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検定の標準レベル」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 |
| 4 | 涌井貞美 | 『高校数学でわかるディープラーニングのしくみ』 | ベレ出版 | 2019 | 9784860646028 |
本授業の履修にあたっては、「ソーシャルデータサイエンス２基礎」の授業に相当する知識およびPythonのプログラミングのスキルを有していることが望まれます。
・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、春学期の「ソーシャルデータサイエンス２基礎」で学修した内容を発展させ、AI・ディープラーニングに関する理論的知識、ならびに関連する法制度・倫理を体系的に理解することを目的とします。
具体的には、テーブルデータを対象としたアンサンブル学習や、深層学習を用いたテキストデータ分析（自然言語処理）について、実装と結果の解釈ができる実践的なデータ分析能力を身につけることを目標とします。
さらに、ChatGPT等の生成AIの基盤となる技術（Transformerなど）を理解したうえで、AIが社会にもたらす影響について、倫理・法・バイアスといった観点から批判的に考察し、議論できる能力を養うことを到達目標とします。
This course builds on the content covered in the spring-semester course Social Data Science II: Foundations and aims to develop a systematic understanding of theoretical knowledge related to AI and deep learning, as well as the associated legal frameworks and ethical considerations.
Specifically, the course seeks to equip students with practical data analysis skills, including the ability to implement and interpret results from ensemble learning methods applied to tabular data and text data analysis using deep learning techniques (natural language processing).
In addition, after gaining an understanding of the core technologies underlying generative AI such as ChatGPT (e.g., Transformers), students will develop the ability to critically examine and discuss the societal impacts of AI from perspectives including ethics, law, and bias.
本授業では、前期「ソーシャルデータサイエンス２基礎」で学んだ機械学習の知識を基盤として、現在主流となっている「ディープラーニング（深層学習）」の技術と、その社会実装に伴う課題を扱います。
前半では、テーブルデータを題材に、実務で多用される強力なアルゴリズム（勾配ブースティング等）やニューラルネットワークの基礎を学びます。
中盤では、近年飛躍的な発展を遂げている、自然言語処理の進化（Word2VecからTransformer、大規模言語モデルまで）を学習します。
終盤では、「AI倫理・法律・ガバナンス」を詳しく扱い、データサイエンスを社会で適切に活用するための知識を獲得します。
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検定の標準レベルに相当します。
Building on the machine learning knowledge acquired in the first-semester course Social Data Science II: Foundations, this course focuses on the techniques of deep learning, which have become the current mainstream approach, as well as the challenges associated with their implementation in society.
In the first part of the course, using tabular data as the primary material, students will study powerful algorithms widely used in practice (such as gradient boosting) along with the fundamentals of neural networks.
In the middle part, the course examines the rapid recent advances in natural language processing, tracing developments from Word2Vec to Transformers and large language models.
In the final part, the course addresses AI ethics, law, and governance in detail, enabling students to acquire the knowledge necessary to apply data science appropriately in society.
The difficulty level of this course is equivalent to the standard level of the G Certification Examination (G Test) administered by the Japan Deep Learning Association (JDLA).
| 1 | ガイダンスおよびデータサイエンス理解度確認テスト ※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 | 機械学習の応用 キーワード: アンサンブル学習、バギング、勾配ブースティング、LightGBM、XGBoost |
| 3 | ディープラーニングの基礎① キーワード: 入力層・隠れ層・出力層、多層パーセプトロン |
| 4 | ディープラーニングの基礎② キーワード: 交差エントロピー、勾配降下法、誤差逆伝播法、活性化関数 |
| 5 | ディープラーニングの基礎③ キーワード: 最適化手法（SGD, Adam）、正則化（ドロップアウト）、ミニバッチ学習、エポック |
| 6 | ディープラーニングの技術① キーワード: 分散表現、単語埋め込み（Word2Vec）、BOW、類似度 |
| 7 | ディープラーニングの技術② キーワード: リカレントニューラルネットワーク、LSTM |
| 8 | ディープラーニングの技術③ キーワード: Seq2Seq、Attention、Transformer、 Encoder-Decoder |
| 9 | 大規模言語モデル（LLM）の仕組み キーワード: BERT、GPT、大規模言語モデル（LLM）、 事前学習・ファインチューニング |
| 10 | 生成AIの活用とプロンプトエンジニアリング キーワード: ChatGPT、文章生成、ゼロショット、 生成AI |
| 11 | モデルの解釈性と説明可能なAI（XAI） キーワード: XAI、SHAP、特徴量重要度 |
| 12 | AIと法律 キーワード: AI生成物、個人情報保護法、著作権法 |
| 13 | AI倫理とガバナンス キーワード: アルゴリズムバイアス、公平性、ディープフェイク |
| 14 | AIプロジェクトの社会実装・総括 キーワード: MLOps |
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、自力で再現できるようにし、パラメータを変えると結果がどう変わるか実験するなどして、データサイエンスに習熟してください。
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検定の標準レベル」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 |
| 4 | 涌井貞美 | 『高校数学でわかるディープラーニングのしくみ』 | ベレ出版 | 2019 | 9784860646028 |
本授業の履修にあたっては、「ソーシャルデータサイエンス２基礎」の授業に相当する知識およびPythonのプログラミングのスキルを有していることが望まれます。
・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。