自然言語処理｜シラバス情報

科目授業名称（和文）　Name of the subject/class (in Japanese)

自然言語処理

科目授業名称（英文）　Name of the subject/class (in English)

Natural Language Processing

授業コード　Class code

994673C

科目番号　Course number

46CSINS308

教員名

柴田　知秀

Instructor

Tomohide Shibata

開講年度学期

2026年度後期

Year

2026年度

Semester

②Second semester

曜日時限

金曜5限

Class hours

Friday 5th Period

開講学科・専攻　Department

工学部　情報工学科

Department of Information and Computer Technology, Faculty of Engineering

単位数　Course credit

2.00単位

授業の方法　Teaching method

講義

Lecture

外国語のみの科目（使用言語）　Course in only foreign languages (languages)

-

授業の主な実施形態　Main class format

① [対面]対面授業/ [On-site] On-site class

概要　Description

自然言語処理（Natural Language Processing, NLP）とは，日本語や英語など，私たちが普段使う言語（自然言語）をコンピュータに理解・処理させる研究分野である．
本講義では，古典的な自然言語処理の基礎から応用例，自然言語処理における深層学習の利用，ならびに近年著しい発展を遂げている大規模言語モデルの概要について解説する．

目的　Objectives

自然言語処理は人工知能の中核をなす研究分野である．
深層学習の利用や大規模言語モデルの登場により，自然言語処理は著しい発展を遂げており，古典的な手法の多くは近年の手法に置き換えられているが，自然言語処理を体系的に理解するには，まず古典的な自然言語処理の基礎から応用例までを学ぶことが重要である．
その上で，自然言語処理における近年の進展である深層学習の利用と大規模言語モデルの基礎を理解する．
また，自然言語処理の基本的なツールの利用方法を習得し，統計的な処理を行う力を身に付ける．
本科目は，本学科のディプロマ・ポリシーに定める「情報工学に必要な基礎学力と専門知識」を身に付けるための科目である．

到達目標　Outcomes

・古典的な自然言語処理の基礎から応用例までを理解し，説明できる．
・自然言語処理の基本的なツールの利用方法を習得し，統計的な処理を行うことができる．
・深層学習を用いた自然言語処理ならびに大規模言語モデルの基礎を理解し，説明できる．

卒業認定・学位授与の方針との関係（学部科目のみ）

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/

履修上の注意　Course notes prerequisites

・自然言語処理の基本的なツールを用いた統計的な処理を行うにあたっては，Pythonプログラミングに関する基本的な知識を有することが望ましい．
・深層学習の基礎を理解するために，線形代数に関する基本的な知識を有することが望ましい

アクティブ・ラーニング科目　Teaching type（Active Learning）

課題に対する作文　Essay

-

準備学習・復習　Preparation and review

・講義期間中に数回課題を課す予定なので，指定された期限までに提出すること．
・毎回の講義後に復習すること．

成績評価方法　Performance grading policy

・到達度評価試験：60%
・数回の課題の提出状況・内容：40%

学修成果の評価　Evaluation of academic achievement

・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

教科書　Textbooks/Readings

教科書の使用有無（有=Y , 無=N）　Textbook used(Y for yes, N for no)

N

書誌情報　Bibliographic information

MyKiTSのURL（教科書販売サイト）　URL for MyKiTS(textbook sales site)

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/

参考書・その他資料　Reference and other materials

・黒橋禎夫，自然言語処理〔三訂版〕，放送大学教育振興会，2023年．
・山田育矢，柴田知秀，進藤裕之，玉木竜二，ディープラーニングによる自然言語処理 (Advanced Python 2) ，共立出版，2023年．
・山田育矢監修，鈴木正敏，山田康輔，李凌寒，大規模言語モデル入門，技術評論社，2023年．
・山田育矢監修，鈴木正敏，西川荘介，藤井一喜，山田康輔，李凌寒，大規模言語モデル入門Ⅱ〜生成型LLMの実装と評価，技術評論社，2024年．

授業計画　Class plan

1. 自然言語処理の概要

ガイダンス，自然言語処理の歴史，基本的な概念

2. 文書分類・評判分析

3. 系列解析

品詞推定，形態素解析，固有表現解析

4. 構文解析

木構造表現，構文解析手法

5. 意味解析

語の意味，同義性・多義性，意味役割付与，格解析

6. 文脈解析

共参照解析，照応解析，談話構造解析

7. 応用例 (1)

質問応答，機械翻訳

8. 応用例 (2)

対話システム，情報検索

9. 深層学習の基礎

FFN，誤差逆伝播法，最適化アルゴリズム

10. 単語ベクトルとRNN

word2vec，古典的n-gram言語モデル，RNN (Recurrent Neural Network)，LSTM

11. Encoder-DecoderモデルとTransformer

Encoder-Decoderモデル，アテンション，Transformer

12. 転移学習

BERT，T5

13. 大規模言語モデル：事前学習

スケーリング則，事前学習モデルの評価

14. 大規模言語モデル：事後学習

SFT (Supervised Fine-tuning)，RLHF (Reinforcement Learning from Human Feedback)，事後学習モデルの評価

15. 到達度評価試験

担当教員の実務経験とそれを活かした教育内容　Work experience of the instructor

大学と企業の双方において長年にわたり自然言語処理の研究に従事してきた経験を活かし，近年の自然言語処理について解説する．

教育用ソフトウェア　Educational software

-

備考　Remarks

・数回，PCを使用する講義があるので，その際は持参すること．

授業でのBYOD PCの利用有無　Whether or not students may use BYOD PCs in class

Y

授業での仮想PCの利用有無　Whether or not students may use a virtual PC in class

N