AIの定義、AI効果、シンギュラリティ等の基礎概念。AIのレベル分類、フレーム問題、シンボルグラウンディング問題、強いAI/弱いAI などの古典的論点まで押さえる。

第一次〜第三次AIブームに連なる主要技術の流れを概観。探索・推論、知識表現、エキスパートシステム、機械学習の隆盛、ディープラーニング登場までの歴史的・技術的文脈を整理。

教師あり / 教師なし / 強化学習の三大分類と、モデル選択・評価。線形回帰、決定木、SVM、k-means、PCA、評価指標（精度・再現率・F値・AUC）、過学習対策、交差検証など。

ニューラルネット基礎から活性化関数、誤差関数、正則化、誤差逆伝播法、最適化手法（SGD・Momentum・Adam ほか）まで、DLの土台となる仕組みを順を追って解説。

CNN・RNN・Transformer などの主要モデルを構成する各レイヤー。畳み込み・正規化・プーリング・スキップ結合・回帰結合層・Attention・オートエンコーダ・データ拡張。

画像認識、自然言語処理、音声処理、深層強化学習、生成モデル、転移学習、マルチモーダル、解釈性、軽量化。AlexNet・BERT・GPT・AlphaGo・Diffusion 等の代表モデルも。

AIプロジェクトを実ビジネスに落とし込む工程。CRISP-DM、PoC、MLOps、KPI、データ収集・加工・分析・学習に関する実務的論点。

機械学習・DL の理解に必要な数学的基礎。確率分布、ベイズの定理、期待値・分散、線形代数、固有値、偏微分、勾配など、最低限押さえたい数理。

AI開発・サービス提供で押さえるべき主要法令と契約類型。個人情報保護法、著作権法、特許法、不正競争防止法、独占禁止法、AI開発委託契約、AIサービス提供契約。

AIをどう「正しく」使うか。プライバシー、公平性、安全性、悪用防止、透明性、民主主義、環境、労働、国内外ガイドライン（EU AI Act 等）、ガバナンス体制まで。