見出し画像

AIのきほんのき：サイトマップ（目次）―AIの基本を全て網羅

ぎょうざ店長｜AIと経営の案内人

「AIのきほんのき」全114記事のサイトマップ（目次）を作成しました。タイトルを押せばそのままページに移動できます。
それぞれの記事は１話完結型になっていますので、どこからでも読めます。


Ⅰ．AIの歴史を旅しよう

  1. AIを学ぶ前に知っておきたい“AIの歴史”：基礎から最新動向まで整理して解説

  2. 時代別の歩み（黎明期〜現代）

  3. AIの知識表現とセマンティクス

  4. AIの主要技術の解説（ディープラーニング・LLM・マルチモーダル）

  5. AIの代表的な応用事例と実績（歴史的事例と現代事例）

  6. AIの哲学的・技術的な課題（チューリングテスト、シンボル・グラウンディング、フレーム問題）

  7. AI倫理・規制・リスク管理（プライバシー、バイアス、説明可能性）

  8. AIの今後の展望：AIはどこへ向かうのか？AI時代にどう生きるか？

  9. まとめ：AIの歴史から学ぶこと

Ⅱ．はじめての機械学習

  1. 　機械学習とは何か ― AIとの違いと基本概念

  2. 　機械学習が注目される背景

  3. 　機械学習の代表的な学習方法

  4. 　代表的な機械学習アルゴリズム

  5. 　機械学習の活用事例

  6. 　機械学習のメリットと限界

  7. 　機械学習とディープラーニングの違い

  8. 　機械学習を学ぶためのステップ

  9. 　まとめ：機械学習はAI時代の“実践的な基礎教養”

Ⅲ．ディープラーニング入門

  1. 　ディープラーニングとは何か ― 機械学習との違い

  2. 　ニューラルネットワークの基本構造

  3. 　ディープラーニングが高い性能を発揮する理由

  4. 　代表的な活性化関数（シグモイド・ReLU・ソフトマックス など）

  5. 　誤差関数（損失関数）

  6. 　正則化(L1正則化・L2正則化・ドロップアウト)

  7. 　誤差逆伝播法（バックプロパゲーション）

  8. 　最適化手法（勾配降下法・局所最適解・大域最適解）

  9. 　まとめ：ディープラーニングは「学習の仕組み」を知ると理解が深まる

Ⅳ．ディープラーニングの基本

  1. 　ディープラーニングを支える要素技術とはー構造と工夫を理解する

  2. 　全結合層（Fully Connected Layer）

  3. 　畳み込み層（Convolutional Layer）とは

  4. 　プーリング層（Pooling Layer）とは

  5. 　正規化層とバッチ正規化

  6. 　スキップコネクション（スキップ接続）の仕組み

  7. 　RNN（再帰型ニューラルネットワーク）とは

  8. 　アテンション（Attention）とトランスフォーマ（Transformer）の仕組み

  9. 　オートエンコーダとは

  10. 　データ拡張とその手法

  11. 　まとめ：要素技術の理解がディープラーニングを「使える知識」に変える

Ⅴ．ディープラーニングの応用分野と代表モデル

  1. 　まず全体像から理解する「認識・生成・行動」

  2. 　画像認識はなぜAI実用化の起点になったのか

  3. 　「何が・どこにあるか」を理解する一般物体認識

  4. 　音声認識はどう進化した？FFTから深層学習まで

  5. 　言葉を扱うAIはどう発展してきたのか（NLP入門）

  6. 　RNN・Attention・Transformerで何が変わったのか

  7. 　LLMとは何か？言語AIが「汎用化」した理由

  8. 　生成AIは従来AIと何が違うのか

  9. 　文章生成AIはどこまで実務で使えるのか

  10. 　画像生成AIを支えるGANと拡散モデル

  11. 　動画生成AIは何が難しく、何が可能になったのか

  12. 　人の声に近づく音声生成AIの現在地

  13. 　正解を教えない学習法「強化学習」とは何か

  14. 　DQNとActor-Criticで行動AIはどう進化したか

  15. 　テキスト×画像×音声を統合するマルチモーダルAI

  16. 　なぜ「ゼロから作らないAI」が主流なのか

  17. 　AIの判断は説明できるのか？ブラックボックス問題

  18. 　高性能AIを現場で使うための軽量化技術

  19. 　モデルと応用から見えるAIの現在地

Ⅵ．文系のためのAI数学・統計入門

  1. 　なぜAIに数学・統計が必要なのか ー 文系のための意味や役割の整理

  2. 　微分・最適化の基礎をやさしく整理

  3. 　線形代数の基礎をやさしく整理

  4. 　確率・統計の基礎をやさしく整理

  5. 　推定と学習の考え方をやさしく整理

  6. 　評価指標と統計的な見方（混同行列）をやさしく整理

  7. 　AIを理解するため数学・統計はどこまで理解すればよいか

Ⅶ．AIの社会実装とは何か

  1. 　AIの社会実装とは何かー社会やビジネスの現場でどう使うのか

  2. 　AIプロジェクトの全体像ーPoCの役割

  3. 　業務プロセスとAIの接続－BPRの視点

  4. 　データとモデル管理の重要性―MLOpsという考え方

  5. 　AI導入に必要な体制と進め方ーウォーターフォールとアジャイル

  6. 　AIの開発環境と代表的な技術スタックーPythonとそのライブラリ

  7. 　まとめ：AIの社会実装に向けてー軽量CoEの考え方

Ⅷ．AIを使う前に知っておきたい法律と契約

  1. 　AI導入で失敗しないために、経営者が最初に知るべき法律と契約の話

  2. 　AIはどんなデータを、どんな目的で使うのか ー 個人情報保護法

  3. 　AIの「学習段階」と「利用・公開段階」における著作権法との関係

  4. 　AIは特許をとれるのか？―特許法

  5. 　AI時代の実務に欠かせない不正競争防止法

  6. 　AIとデータが競争力の源泉となる時代での独占禁止法の重要性

  7. 　AI開発委託契約・AIサービス提供契約と法の接続

  8. 　AIを開発するための契約 ― 請負契約と準委任契約

  9. 　AIをサービスとして提供する際の契約

  10. 　経営者向けサマリー：中小企業・スタートアップがAIを使う前に知っておくべきこと

  11. 　まとめ：AI時代に求められる法律と契約の視点

Ⅸ．AIを使う責任ーAI倫理とガバナンス

  1. 　第1回 なぜ今、「倫理」が経営のテーマになるのか

  2. 　第2回 法律を守っていれば、それで十分なのか？

  3. 　第3回 そのデータ、どこまで使っていいですか？

  4. 　第4回 AIは本当に“公平”と言えるのか

  5. 　第5回 AIが間違えたら、誰が責任を取るのか

  6. 　第6回 なぜAIの判断は説明しづらいのか

  7. 　第7回 AIは民主主義を強くするのか、弱くするのか

  8. 　第8回 環境にやさしいAIはあり得るのか

  9. 　第9回 AIは仕事を奪うのか、それとも変えるのか

  10. 　第10回 AI兵器は止められるのか

  11. 　第11回 企業はどこまでAIを管理すべきか

  12. 　最終回 「信頼されるAI」をどう実装するか

Ⅹ．はじめてのAIエージェント

  1. 　AIエージェントとは何か？ ― “動くAI”という新しい存在

  2. 　チャットAIと何が違う？ ― エージェントは「考えて実行する」

  3. 　AIエージェントの仕組み ― 計画し、動き、振り返るAI

  4. 　AIはどうやって自律するのか？ ― 代表的なエージェントモデル入門

  5. 　AIエージェントは何に使える？ ― 仕事を任せる時代のはじまり

  6. 　便利さの裏にあるリスク ― AIエージェントのメリットと課題

  7. 　AIは“部下”になるのか？ ― エージェント時代の働き方

  8. 　AIエージェントは社会をどう変える？ ― 自律するAIが広がる未来

  9. 　誰が責任を持つのか？ ― エージェント時代のガバナンス

  10. 　私たちはAIとどう付き合うか ― エージェントと共に働く未来へ

Ⅺ．AIは経営を代替できるのか―AIと中小企業診断士

  1. 　AIの登場で経営コンサルタントは不要に？AI vs 中小企業診断士

  2. 　思考はどうか？AIに診断士２次試験を解かせてみた

  3. 　AIは賢い。でも、経営はそれだけでは動かない。

  4. 　【検証】AIは中小企業診断士2次試験で何点取れるのか？全答案と採点結果を公開

Ⅻ．AIの気になる話。―技術と社会のあいだで考えたこと

  1. 　AIが「空気を読めない」理由｜フレーム問題をやさしく解説

  2. 　AIは感情を持つのか？― ELIZA（イライザ）が教えてくれた人間とAIの境界線

  3. 　AIの歴史を大きく変えた2大スター、AlexNetとResNet

  4. 　人はなぜ推しにハマるのか　─AI時代の推し活とエコーチェンバー

記事全体の読み方ガイドはこちら

プロフィールはこちら


いいなと思ったら応援しよう！