2026年度 (最新) 学位プログラムとして特別に設けた教育課程学位プログラムとして特別に設けた教育課程データサイエンス・AI全学教育機構

応用実践データサイエンス・AI第三C

開講元: データサイエンス・AI全学教育機構
担当教員: 新田克己 / 横田孝義 / 宮﨑慧 / 奥村圭司 / 橘優太朗 / 三宅美博 / 佐久間淳 / 小野功 / 内富寛隆 / 富井規雄
授業形態: 講義 (ハイフレックス型)
メディア利用科目: -
曜日・時限 (講義室): 金7-8 (M-B07, G2-202)
クラス: -
科目コード: DSA.P433
単位数: 100
開講時期: 2026年度
開講クォーター: 3Q
シラバス更新日: 2026年9月17日
使用言語: 日本語

シラバス

授業の目的（ねらい）、概要

この授業科目は、人工知能やデータサイエンス技術の社会実装の現状と最先端技術を理解し、それらの技術の応用可能性と課題を考察することを目的としている。各回の授業において、東京科学大の講師がデータサイエンスや人工知能を用いた技術開発や商品開発の事例を紹介する。
大規模言語モデルやフィジカルAIや列車ダイヤの最適化などの応用事例に関する知識を獲得し、課題レポートによって社会応用に関する考察内容を説明することによって、受講生が実社会において活躍する広い視野を得ることを目標にしている。
この授業科目では講師との対話を重視しており、7回の授業の他に、原則として11月下旬に大岡山キャンパスで開催されるDS&AIフォーラム2026冬に参加するものとする。

到達目標

この授業科目は、データサイエンスと人工知能の社会実装に関する理解を深め、受講生が実社会において活躍する能力を高めることを目標にしている。

実務経験のある教員等による授業科目等

実務経験と講義内容との関連 (又は実践的教育内容)

この授業科目は主に東京科学大学の特任教員により実務経験に基づく講義を行う。

キーワード

データサイエンス、AI、大規模言語モデル、ロボット、最適化

学生が身につける力

専門力
教養力
コミュニケーション力
展開力 (探究力又は設定力)
展開力 (実践力又は解決力)

授業の進め方

この科目はハイフレックス型に分類されているが、大岡山とすずかけ台の所定の教室でしか受講できない。

授業計画・課題

	授業計画	課題
第1回	nanoGPTによるLLMの構築と学習	大規模言語モデル（LLM: Large Language Model）の基本的な仕組みと、次のトークンを予測することで文章を生成する原理を学びます。GPT-2アーキテクチャを実装した「nanoGPT」を用い、身近な題材（例えば好きな小説）をコーパスとして事前学習させます。コーパス、トークナイザ、トークン化などの基本概念を学び、LLMが文章生成能力を獲得する過程を体験します。
第2回	Transformerの仕組みと内部状態の可視化	nanoGPTの内部構造を観察しながら、ChatGPTなどの生成AIで用いられているTransformerの基本的な仕組みを学びます。トークン埋め込み、位置埋め込み、Attentionなどについて、実際にプログラムを動かし、内部状態を可視化することで、入力されたトークン列がTransformer内部でどのように処理され、次のトークンの予測につながるのかを理解します。
第3回	Instruction Tuningによる指示追従能力の獲得	より大規模なコーパスで事前学習したLLMを用い、質問や指示に応じて回答する能力を学習させるInstruction Tuningと呼ばれるSFT（Supervised Fine-Tuning）の手法について学びます。実際にInstruction Tuningを行い、LLMが文章の続きを生成するだけでなく、質問や指示に応じて回答できるようになる過程を体験します。
第4回	フィジカルAI入門１	身体知はLLMを超えるか?—知能と身体の関係性から：知能を「脳内の記号処理」に加えて「身体と環境の相互作用から創発するもの」として捉える視点を獲得する。
第5回	フィジカルAI入門２	身体運動計測の最先端—歩行と姿勢の高精度推定AI：身体運動を定量的に計測し推定するための技術的手法とその基盤にある深層学習モデルの仕組みを理解する。 ※いくつかの姿勢推定AIや骨格モデルの演習付きで実施予定
第6回	フィジカルAI入門３	身体運動介入の最前線—共創的歩行アシストロボット：計測技術と身体知の知見を統合し、人とロボットが協調して運動を生み出す「共創的介入」の設計思想を学ぶ。です。すずかけ台でのロボット体験会（別日実施）をセット
第7回	最適化技法の社会実装への応用 – 鉄道車両運用計画	現実社会の問題は複雑である。そのような問題に対処するためには，ドメイン知識の習得に加えて，教科書にある手法をどのように個々の問題に適用していくかを検討することが必要になる。本講義では，鉄道の車両運用計画作成問題を例として，最適化アルゴリズムをどのように適用して現実の複雑な問題に対処していくのかを学習する。なお，事前に配布する資料を読んでおくこと。また，Google Colaboratory が使用できる環境を整えておくこと。

準備学修(事前学修・復習)等についての指示

学修効果を上げるため，配布資料の該当箇所を参照し，「毎授業」授業内容に関する予習と復習（課題含む）をそれぞれ概ね100分を目安に行うこと。

教科書

指定しない。

参考書、講義資料等

講義資料は事前にScience Tokyo LMSに掲載する。

成績評価の方法及び基準

期末試験は実施しない。毎回の課題レポートと11月下旬に予定されているDS&AIフォーラムの参加レポートにより評価する。なお、欠席した回の講義の課題レポートを提出することはできない。もし提出されたとしても、採点されないので注意すること。

履修の条件・注意事項

本科目は課題演習を含むため、履修生は以下の条件を満たしていること。
・基本的なITリテラシーを有すること。
・Python, Jupyter notebookなどを扱えること。

博士後期課程の方はDSA.P633「応用実践データサイエンス・AI発展第三C」を受講すること。

連絡先 (メール、電話番号) ※”[at]”を”@”(半角)に変換してください。

新田克己，横田孝義
lecture_ap[at]dsai.isct.ac.jp

オフィスアワー

メールで事前予約すること。

その他

・本授業科目はアントレプレナーシップ科目とみなせる専門科目である。本科目が対応するGAはGA0M・GA1Mである。
・本科目は2023年度まで開講していた実践AI・データサイエンスC1(XCO.T495-1)に対応している。実践AI・データサイエンスC1を学部のときに履修した方は、本科目を履修申告すること。また、大学院で実践AI・データサイエンスC1を履修した方は本科目を履修することはできない。