基本情報/Basic Information

開講科目名 ／Course	特殊講義b(AI入門b)／SPECIAL LECTURE B (INTRODUCTION TO AI B)
ナンバリングコード ／Numbering Code	【済】21-1036 【営】22-1023 【環】23-1025
開講所属 ／Course Offered by	経済学部／ECONOMICS
ターム・学期 ／Term・Semester	2026年度／2026 Academic Year　　秋学期／FALL SEMESTER
曜限 ／Day, Period	火3／Tue 3
開講区分 ／semester offered	秋学期／Fall
単位数 ／Credits	2.0
学年 ／Year	1,2,3,4
主担当教員 ／Main Instructor	横塚　志行
遠隔授業科目 ／Online Course	－

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
横塚　志行	経営学科／MANAGEMENT

授業の目的・内容 ／Course Objectives	・講義の目的と目標 現代のビジネス環境では、先進企業を中心にAIを経営戦略へ組み込む動きが進み、AIを理解し活用できる人材の育成が求められています。本講義（AI入門a／b）では、受講者が人工知能の全体像を把握し、AI構築に関する基礎知識を身につけることを目標とします。 ・春学期（AI入門a） 春学期では、人工知能の基本概念や歴史を踏まえつつ、関連する主要トピックを幅広く学びます。さらに、産業界での活用事例を取り上げ、実社会でAIがどのように用いられているかを理解します。 特に近年進化が著しい生成AI（テキスト生成、画像生成など）について、仕組みと特徴、活用上の留意点を概説します。加えて、AIエージェントやPhysical AIなど最新のAI動向についても取り上げます。 また、AIの社会実装に伴う課題（倫理、プライバシー、バイアス、著作権など）を扱い、各国のAI政策やガイドラインも参照しながら、議論を通じて理解を深めます。 ・秋学期（AI入門b） 秋学期では、まずPython言語の基本的な使い方を学びます。そのうえで、春学期に学んだ基礎知識を土台に、教師あり学習、教師なし学習、ディープラーニングなどの代表的手法について、演習を通じてAIの仕組みを実践的に理解します。また、今後利用されるであろうバイブコーディングについて概説する。 ・学科方針との連携 本講義は、経営学科の学位授与方針（DP）に基づき、情報処理の原理および情報技術の重要性を理解できるようにすることを目的とします。あわせて、カリキュラム・ポリシー（CP）における情報系専門科目として、情報技術に関する専門知識を体系的に提供し、将来の実務にも接続しやすい内容となるよう構成します。
授業の形式・方法と履修上の注意 ／Teaching method and Attention the course	初回講義では、学習内容、講義の進め方、成績評価方法などを説明します。 本講義は対面授業を原則とし、受講にあたっては以下を前提とします。 ・授業中にPCを操作しながら進める場合があります。特に秋学期特殊講義b（AI入門b）はpythonコーディングを行いますので、PCが必須になります。 ・本講義は、春学期、秋学期をセットでの学習を想定しています。通年を併せて受講することで、人工知能の基礎知識に加え、人工知能の実現方法を体系的に学ぶことができます。 ・全学年を対象とします。 ・各学期の最終回（最終授業日）に、総復習としてテストを実施します。
使用言語 ／Language used	日本語/Japanese
採用している授業方法 ／Teaching methods used	プレゼンテーション/Presentation
事前・事後学修の内容 ／Before After Study	事前事後の学習時間は合計４時間である。 講義参加者は、事前学習として事前提示予定のレジュメを事前に読んでおいてほしい（２時間）。 事後学習は、授業ノートなどを目を通し内容を理解を促進してほしい（１時間）。 上記以外にも、AIに関する記事等を日常的に入手しておきAIの動きを把握してほしい(1時間)。
テキスト1 ／Textbooks1	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other
テキスト2 ／Textbooks2	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other
テキスト3 ／Textbooks3	書籍名 ／Title 著者 ／Author name 出版社 ／Publisher ISBN ／ISBN その他（任意） ／other
参考文献等1 ／References1	書籍名/ｻｲﾄ名 ／Title ディープラーニングG検定公式テキスト第二版 著者 ／Author name 日本ディープラーニング協会 出版社/URL ／Publisher 翔泳社 ISBN ／ISBN その他（任意） ／other
参考文献等2 ／References2	書籍名/ｻｲﾄ名 ／Title 著者 ／Author name 出版社/URL ／Publisher ISBN ／ISBN その他（任意） ／other
参考文献等3 ／References3	書籍名/ｻｲﾄ名 ／Title 著者 ／Author name 出版社/URL ／Publisher ISBN ／ISBN その他（任意） ／other
評価方法 ／Evaluation	春学期の最終回（最終授業日）に、総復習としてテストを実施します。 成績評価は、出席、課題（30〜40％程度）、期末テスト（60〜70％程度）を総合して行う予定です。 出席回数が7回(50%)以上の者を評価対象とします。 期末試験に参加できない場合は追試験を実施します。
関連科目 ／Related Subjects	特殊講義a(AI入門b) 特殊講義a(データサイエンス入門a) 特殊講義b(データサイエンス入門b) 現代社会１(数理・データサイエンス・AI)
備考 ／Notes
到達目標 ／Learning Goal	経済・経営・環境分野の現場で活躍する人々の講演を通じて、それらの現場の実態および今後の展望等について理解・分析し、見解を提示できるようにする。
DPとの関連 ／Relation to DP	【19カリ・済】---------- ○:幅広い教養 【19カリ・営】---------- ○:幅広い教養 ○:経営分野での専門的知識 【24カリ・済】---------- ○:幅広い教養 【24カリ・営】---------- ○:幅広い教養 ○:経営分野での専門的知識 【24カリ・環】---------- ○:幅広い教養

回 ／Time	授業計画（主題の設定） ／Class schedule	授業の内容 ／Contents of class	事前・事後学修の内容 ／Before After Study
1	オリエンテーション	秋学期の進め方を説明する。
2	python環境設定	Google Colabを利用したPythonの実行環境を整え、ノートブック、コードセル、テキストセルの基本操作を学ぶ。	事前：レジュメの一読 事後：講義ノートの確認
3	python(基本操作)	Pythonの基本操作として、文字列型、整数型、浮動小数点型などのデータ型を理解し、変数への代入、四則演算および論理演算の基礎を学ぶ。	事前：レジュメの一読 事後：講義ノートの確認
4	python(制御構造)	Pythonで用意されている条件分岐や繰り返しなどの制御構造について学び、簡単なプログラムを作成できるようにする。	事前：レジュメの一読 事後：講義ノートの確認
5	python(関数とデータ構造)	Pythonにおける関数と、代表的なデータ構造（リスト、辞書など）の扱いを学ぶ。	事前：レジュメの一読 事後：講義ノートの確認
6	Python（クラスとデータ分析ライブラリ）	クラス、インスタンス等の基礎を学び、pythonのscikit-learnのモデル利用につなげる。併せて、numpy、pandas、matplotlibを用いたデータ処理と可視化の基礎を概説する。	事前：レジュメの一読 事後：講義ノートの確認
7	機械学習の概要	機械学習、教師あり学習、教師なし学習、強化学習の概要を学ぶ。併せて、データ分割、学習、予測、評価という機械学習の基本的な流れを理解する。	事前：レジュメの一読 事後：講義ノートの確認
8	単回帰分析、重回帰分析	単回帰分析、重回帰分析の概要を理解し、pythonでコーディングする	事前：レジュメの一読 事後：講義ノートの確認
9	決定木/ランダムフォレスト	決定木、ランダムフォレスの概要を理解し、pythonでコーディングする	事前：レジュメの一読 事後：講義ノートの確認
10	ロジステック回帰	ロジステック回帰の概要を理解し、pythonでコーディングする	事前：レジュメの一読 事後：講義ノートの確認
11	k平均法	教師なし学習とk平均法の概要を学び、Pythonでクラスタリングを行う。クラスタリング結果を可視化し、その特徴を解釈する。	事前：レジュメの一読 事後：講義ノートの確認
12	ディープラーニング	ニューラルネットワークとディープラーニングの基本的な仕組みを学び、Pythonで簡単な分類モデルを作成する。併せて、過学習、バイアス（偏り）および汎化性能の考え方を学ぶ。	事前：レジュメの一読 事後：講義ノートの確認
13	バイブコーディング	Colabの生成AI機能を用い、データ確認、訓練・テストデータ分割、前処理、モデル学習、予測、評価を処理ごとにコードを生成・実行する。	事前：レジュメの一読 事後：講義ノートの確認
14	まとめ	まとめ