特殊講義１

Special Topics in Management 1

998654R

86COZZZ207

手嶋　毅志

Takeshi Teshima

2026年度前期

2026年度

①First semester

金曜5限

Friday, 5th Period

経営学部　経営学科

Department of Management, School of Management

2.00単位

講義

Lecture

-

⑦ [遠隔]オンライン授業（同期）/ [Remote]Online (synchronized remote)

AIは、私たちの生活や仕事に革命的な変化をもたらしつつあります。経営学の分野でも、AIの活用は新たな可能性を切り拓くための鍵となりつつあります。しかし、AIを単なるツールとしてではなく、真に経営学に活かすためには、その本質を理解することが不可欠です。

本講義では、理系のバックグラウンドを持つ経営学科の学生の皆さんに、AIの基礎知識から応用的なトピックスまでを幅広く学んでいただきます。統計的機械学習の考え方を理解し、様々なデータ種別に対するタスクやモデルを学ぶことで、経営学の諸問題におけるAIを活用した問題解決のアプローチを設計できるようになります。また、データサイエンスなどの応用的なトピックスを理解することで、経営学の分野におけるAIを活用した分析の質を高めることができます。

さらに、AIが経営管理・組織、戦略・マーケティング、生産・イノベーションなどに与える影響を考察することで、経営学の新たな課題や可能性を発見できるようになるでしょう。これからのビジネス環境において、AIを戦略的に活用できる人材は大変重要です。本講義が、皆さんのキャリアにおける強力な武器となることを期待しています。

AIを経営学の分野で活用するための視点や発想力を養い、新たな経営学の可能性を切り拓く一助となれば幸いです。AIの基礎となる統計的機械学習の考え方を理解することで、経営学におけるAIの可能性と限界を見極められるようになるのではないでしょうか。さあ、AIの世界に飛び込み、経営学の新たな地平を切り拓く冒険に出発しましょう！

===

さて、気がついた方も多いかもしれませんが、上記は大規模言語モデルに本講義の計画メモを渡して生成させた説明文です。2045年にAIが人間を超えると騒がれて久しいですが、すでに人間を超えた側面がいくつかあると言ってよいでしょう。幸か不幸か、このように高度な（ように我々には思える）ことをするAIが出現した最初の時代に私たちは生きています。そんな強力な道具に「超越される」段階を過ぎて、逆に「AIの上に立つにはどうするか」と考えなければならない段階が、すぐそこに来ているかもしれません。その方法は皆さんと考えてみたいと思いますが、第一歩は仕組みを知ることだと思いますので、まずは現代的AIの基礎となっている統計的機械学習の仕組みから、この講義を始めます。そして、講義の終わりにかけて、「領域の学問」としての経営学への影響と、経営学へのAIの活用方法について議論します。

【経営学への応用の考察】
AIを応用するソフトウェアを必要とあらば受講者自ら実装・実験できる程度の、深い理解に立脚して、AI技術の経営学への応用を考察することができる状態になる。

【経営学と受講者自身のあらゆる活動への応用】
経営学、ならびに、それに限らない受講者自身の関わるあらゆる活動において、機械学習系の技術の仕組みとそこから生じる長所、短所を理解した上で、現実的な選択肢として使えるようになる。

【ディプロマ・ポリシー及びカリキュラム・ポリシーとの関連性】
本学科のディプロマ・ポリシーに定める「1. グローバル化や地球環境問題など広範かつ多様なビジネス環境で発生している諸々の問題に対して自然科学及び社会科学の知識を活用して解明するという基本的方針の下で理論的かつ実践的な考え方を身に付けている。」および「4. 自然・人間・社会に係る幅広い教養を修得し専門分野の枠を超えて横断的にものごとを俯瞰できる能力を身に付けている。」を実現する科目です。
また、本学科のカリキュラム・ポリシーに定める「自然・人間・社会を幅広く俯瞰できる能力、論理的・批判的思考力」の涵養に繋がる科目です。

【1. 情報収集の解像度を高める】
各種メディアで「AI」という単語が使われている記事を読む際、その背後にどのような仕組みが動いているか予想・判別できるようになる。また、機械学習以外の「AIを実現している基礎技術」に関しても、自ら情報収集して学べる準備が整った状態になる。

【2. AIの現時点での適用限界・課題とその根深さの検討をできるようになる】
AIの歴史や構成要素や仕組みを理解した上で、現時点のAIの適用限界について考え、それが致命的な問題になり得るか否か（近い将来には解決されうる程度の問題か）を検討できるようになる

【3. 実装経験による深い理解と道具的価値を実現する】
任意の演習課題・講義の補助資料であるソースコードの活用を通して、簡単な実装の体験を持つ。また、日常レベル以上、専門レベル以下の範囲のタスクに対して、LLMを活用して対処できる状態になる。特に、卒業論文の研究を行うに際して、適切な技術を選定し、それを即座に応用できるようになることを基礎理解の目標とする。

リンク先の [評価項目と科目の対応一覧]から確認できます（学部対象）。
履修登録の際に参照ください。
​You can check this from “Correspondence table between grading items and subjects” by following the link(for departments).
https://www.tus.ac.jp/fd/ict_tusrubric/​​​

講義資料を印刷しての配布は行いませんので、講義中に参照したい場合は、PDFファイルを閲覧できる各自の持ち込みデバイスを使用してください。

小テストの実施　Quiz type test

-

【準備学習】1時間程度。予め講義資料を共有するので、次回分の講義資料に事前に目を通して、話の流れを予想しておくこと。講師が次に何を言うか予想して当てられるようになることが習得の近道である。
【復習】3時間程度。(ほぼ)毎回出す課題を実施しておくこと。

講義中の小テスト（70%）・到達度評価（30%）

但し、以下の方法によって到達度評価に加点する（最大は30%）。

• LETUS上の質問投稿ページに記載した質問が講義の最初に取り上げられる→加点

（その他、加点のある任意課題を講義内でアナウンスする場合がある）

・S：到達目標を十分に達成し、極めて優秀な成果を収めている
・A：到達目標を十分に達成している
・B：到達目標を達成している
・C：到達目標を最低限達成している
・D：到達目標を達成していない
・-：学修成果の評価を判断する要件を欠格している

・S：Achieved outcomes, excellent result
・A：Achieved outcomes, good result
・B：Achieved outcomes
・C：Minimally achieved outcomes
・D：Did not achieve outcomes
・-：Failed to meet even the minimal requirements for evaluation

N

-

教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
​https://gomykits.kinokuniya.co.jp/tokyorika/​​​

It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store).
​​https://gomykits.kinokuniya.co.jp/tokyorika/

講義資料等はLETUS上に載せることがありますので、随時確認して下さい。

補助資料として
・ソースコード
・参考文献一覧
を以下のURLのページに掲載します。自習・予習・復習に使用してください。
https://takeshi-teshima-lecture-supplement.netlify.app/introduction-to-ai

----------
本講義の指定教科書はありませんが，参考書をいくつか挙げておきます．
機械学習・AIの技術を学ぶための書籍は，本当に多数あって玉石混淆ですが，人によって相性があるので，生協の書籍部などで自分に合ったものを探してみてください．

専門書は価格が高くなりがちですが，英語に抵抗がなければ，無料で手に入る，かつ専門家の間でも評判が高い洋書も数多くあります．
・Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press. https://probml.github.io/pml-book/book1.html
・Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. http://www.deeplearningbook.org
これらは，著者がウェブサイト上で無料公開しています．

（第I部）
本講義の第I部にあたる内容をカバーしている良書の訳書として次があります（電子書籍もあるようです）．
・周志 华. (2022). 機械学習 (大和田勇 人, 玄光 男, 下川朝 有, & 郝新 厂, Trans.). 近代科学社.

プログラミングも交えて学びたい方には，こちらが手に取りやすい良書です．
・Raschka, S., & Mirjalili, V. (2020). Python機械学習プログラミング：達人データサイエンティストによる理論と実践 (福島 真太朗 & 株式会社クイープ, Trans.; 第3版). インプレス.

また，最新のカバー範囲の広い参考書としては，以下の2冊を挙げておきます．（手法の説明の仕方は本講義と異なる部分があります）
・Murphy, K. P. (2025a). 確率的機械学習:入門編 I: 基礎と線形モデル (持橋大地, 鈴木大慈, 石黒勝彦, 伊藤伸志, 梶野洸, 黒木祐子, 小宮山純平, 佐藤竜馬, 鈴木大慈, 包含, 手嶋毅志, 幡谷龍一郎, 二見太, 南賢太郎, 持橋大地, & 横井祥, Trans.). 朝倉書店. https://www.asakura.co.jp/detail.php?book_code=12303
・Murphy, K. P. (2025b). 確率的機械学習:入門編 II: 非線形モデル (持橋大地, 鈴木大慈, 石黒勝彦, 伊藤伸志, 梶野洸, 黒木祐子, 小宮山純平, 佐藤竜馬, 鈴木大慈, 包含, 手嶋毅志, 幡谷龍一郎, 二見太, 南賢太郎, 持橋大地, & 横井祥, Trans.). 朝倉書店. https://www.asakura.co.jp/detail.php?book_code=12304

（第II部）
本講義の第II部に関連して，大規模言語モデル（LLM）に対するものは次のようなものがあります．
・山田育矢, 鈴木正敏, 山田康輔, & 李凌寒. (2023). 大規模言語モデル入門. 技術評論社.

■開講形式
この講義はオンライン（同期）型であり、遠隔で講義を行います。
講義参加のためのURL等の情報は、全てLETUS上で伝達します。受講希望の方は、LETUSで必ず登録をして連絡を受けられるようにしておいてください。

■講義内容
全体は大きく3部構成です。
第Ⅰ部：機械学習の仕組み
第Ⅱ部：応用領域の案内
第Ⅲ部：発展編

【第Ⅰ部：機械学習の仕組み】
１．ガイダンス、予測系タスク①（導入・予備知識・予測系タスク・教師付き学習）
２．予測系タスク②（回帰タスク・線型モデル・過適合・正則化）
３．予測系タスク③（モデル選択・枠組みのまとめ・学習の哲学）
４．予測系タスク④（近似ターゲット・分類タスク）
５．予測系タスク⑤（確率論的分類）
６．予測系タスク⑥（多クラスの確率論的分類・ニューラルネットワーク）
７．学習の障壁と突破口①：非構造化データ（ニューラルネットワーク・非構造化データ）
８．学習の障壁と突破口①（深層モデルと表現学習・類似度と予測・カーネル法）
９．学習の障壁と突破口②：次元の呪い（カーネル法・大規模モデル・次元の呪い・類似度と表現学習）

【第Ⅱ部：応用領域の案内】
１０．画像データのタスクとモデル
１１．テキストデータのタスクとモデル
１２．生成タスクの学習
１３．基盤モデル（大規模言語モデル・大規模マルチモーダルモデル・エージェント）

【第Ⅲ部：発展編】
１４．AIと社会（経済・リスクと安全性・法規）
１５．授業の総括、到達度評価

講師は、民間企業でのデータサイエンティストとしての勤務経験を活かして、AIの実用上の考慮や社会的課題に触れながら、AI分野への入門的講義を行う。

-

-

詳細は毎回LETUSにて確認してください。
特に第Ⅲ部は時勢により変化しやすい内容のため、一部変更となる場合があります。

基本的にLETUS上でやり取りを行います．
機密性が必要な場合は，以下の講師の連絡先メールアドレスまでご連絡ください：
takeshi.teshima@rs.tus.ac.jp

講義はオンラインで行います．初回講義は下記リンクから参加してください（Microsoft Teams）．
https://teams.microsoft.com/meet/498103697378?p=MEgcdfNOkMiL2BegaK
URLは変更になる可能性もあります．最新情報はLETUSを参照してください．

Y

N