＜1日目＞ AIの歴史と機械学習の基礎理論
G検定で頻出の「歴史」と、ディープラーニングの基礎となる「古典的機械学習」の手法を学びます。
１．オリエンテーションとG検定攻略法
本研修のゴールとAI活用人材（ジェネラリスト）の定義
G検定の出題傾向分析と合格への戦略（「広く浅く」＋「キーワード理解」）
学習リソースと効果的な暗記・理解のバランス
２．人工知能（AI）の定義と歴史
AIの定義の変遷と「AI効果」
第1次～第3次AIブームの流れと背景（探索・推論、知識表現、機械学習）
主要な人物と言葉の定義（チューリングテスト、シンギュラリティ等）
３．機械学習の具体的手法（古典的機械学習）
教師あり学習（回帰、決定木、SVM、k近傍法など）
教師なし学習（k-means法、主成分分析など）
※各アルゴリズムの挙動と理論的背景の理解
＜2日目＞ ディープラーニングの核心と画像処理
ニューラルネットワークの基礎構造から学習の数理的仕組み、そして画像処理技術（CNN）へ展開します。
４．ディープラーニングの基礎構造（DNN）
ニューラルネットワークの基本（単純パーセプトロンから多層化へ）
活性化関数の役割（シグモイド関数、ReLU関数など）
学習の仕組み：誤差逆伝播法と勾配降下法
５．ディープラーニングの学習テクニック
学習を安定させる技術（バッチ正規化、ドロップアウト）
最適化アルゴリズムの進化（SGD, Adamなど）
G検定に必要な「数理・統計」の基礎知識（確率、偏微分、行列のイメージ）
６．畳み込みニューラルネットワーク（CNN）と画像処理
CNNの構造（畳み込み層、プーリング層）
代表的なモデルの進化（AlexNet, VGG, ResNetなど）
画像認識タスクの種類（物体検出、セグメンテーション）
3日目：自然言語処理と生成AI・最先端技術
時系列データ処理から、最新のトレンドである「生成AI（LLM）」、強化学習まで最先端技術を深掘りします。
７．回帰結合ニューラルネットワーク（RNN）と自然言語処理
時系列データを扱う仕組み（RNN, LSTM, GRU）
自然言語処理の基礎（形態素解析、BoW、単語埋め込み/Word2Vec）
系列変換モデル（Seq2Seq）とAttentionメカニズム
８．生成AIとTransformerの台頭
Attentionのみで構成された「Transformer」の衝撃
大規模言語モデル（LLM）の仕組み（GPTシリーズ、BERTなど）
拡散モデル（Diffusion Model）と画像生成AI
プロンプトエンジニアリングの基礎
９．強化学習と先端分野
強化学習の仕組み（エージェント、環境、報酬、行動）
深層強化学習（DQN, AlphaGo）
その他の先端分野（転移学習、蒸留、マルチモーダルAI）
※進捗状況により変更となる場合があります。
※注）なお、この研修では以下の内容は扱いません。
・AIプロジェクトに必要な知識（細目）
①AI開発プロセスの全体像
②データに関する基礎知識
③評価指標の理解
④アルゴリズムの選定と特徴
⑤実装・運用上の留意点
・AIの社会実装に伴う法律・倫理（細目）
①個人情報保護法（日本）
② GDPR（EU一般データ保護規則）
③AI倫理に関する国際的な原則
④AIバイアスと社会的影響
⑤説明責任と透明性
