1. 機械学習
1.1. データ前処理
1.1.1. 正規化
1.1.2. 標準化
1.1.3. 基礎集計
1.1.4. 量子化
1.1.5. 特徴量設計
1.1.5.1. 手法
1.1.5.1.1. カテゴリカル変数
1.1.5.1.2. 日付データの変換
1.1.5.1.3. 多項式特徴量を生成
1.2. 具体的手法
1.2.1. 教師あり学習
1.2.1.1. 回帰問題
1.2.1.1.1. 種類
1.2.1.1.2. 分析手法
1.2.1.1.3. モデル評価方法
1.2.1.1.4. 自己回帰モデル
1.2.1.2. 分類問題
1.2.1.2.1. サポートベクターマシン
1.2.1.2.2. ロジスティック回帰
1.2.1.2.3. 混同行列
1.2.1.3. ニューラルネットワーク
1.2.1.3.1. パーセプトロン
1.2.1.3.2. ネットワーク設計
1.2.1.3.3. 手法
1.2.1.4. 自己回帰モデル（ARモデル）
1.2.1.4.1. 時系列データ
1.2.1.5. ランダムフォレスト
1.2.1.5.1. ランダム
1.2.1.6. KNN法
1.2.2. 教師なし学習
1.2.2.1. 手法
1.2.2.1.1. クラスタリング
1.2.2.1.2. 次元削減
1.2.2.1.3. フィルタリング
1.2.3. 強化学習
1.2.3.1. 仕組み
1.2.3.1.1. 活用
1.2.3.1.2. 探索
1.2.3.2. 手法
1.2.3.2.1. バンディットアルゴリズム
1.2.3.2.2. マルコフ性
1.2.3.2.3. 価値関数
1.2.3.2.4. 方策勾配法
1.2.3.2.5. アルゴリズム
1.2.4. モデル評価
1.2.4.1. 交差検証
1.2.4.1.1. 種類
1.2.4.1.2. ハイパーパラメータのグッドサーチ
1.2.4.2. データの扱い
1.2.4.2.1. 訓練データ
1.2.4.2.2. テストデータ
1.2.4.3. モデルの解釈
1.2.4.3.1. 手法
1.2.4.4. モデルの選択と情報量
1.2.4.4.1. オッカムの剃刀
1.2.4.4.2. 赤池情報量規準（AIC）
1.2.4.5. 評価指標
1.2.4.5.1. 正解率
1.2.4.5.2. 適合率
1.2.4.5.3. 再現率
1.2.4.5.4. F値
1.2.4.5.5. ROC曲線
1.2.4.5.6. AUC
1.2.4.5.7. 平均二乗誤差（標準偏差）
2. ディープラーニング
2.1. ディープラーニング概要
2.1.1. ディープラーニング
2.1.1.1. バイアス
2.1.1.2. 仕組み
2.1.1.2.1. 積層オートエンコーダー
2.1.1.2.2. ボルツマンマシン
2.1.1.3. ハードウェア
2.1.1.3.1. GPU
2.1.1.3.2. CPU
2.1.1.4. ニューロン
2.1.1.4.1. 入力
2.1.1.5. 学習法
2.1.1.5.1. 勾配降下法
2.1.1.5.2. エポック
2.1.1.5.3. イテレーション
2.1.1.5.4. 重み（パラメータ）
2.1.1.5.5. 訓練誤差
2.1.1.5.6. 過学習
2.1.1.5.7. コスト関数(ロス関数、目的関数)
2.1.1.5.8. メタ学習
2.1.1.6. 深層生成モデル
2.1.1.6.1. 変分オートエンコーダ（VAE）
2.1.1.6.2. 敵対的ネットワーク（GAN）
2.1.1.7. フレームワーク
2.1.1.7.1. Tensorflow
2.1.1.7.2. scikit-learn
2.1.1.7.3. Chainer
2.1.1.7.4. CNTK
2.1.1.8. 解釈性問題
2.1.1.8.1. 予測判断根拠の可視化
2.1.2. 定理
2.1.2.1. バーニーおじさんのルール
2.1.2.2. ノーフリーランチ定理
2.1.2.3. 醜いアヒルの子定理
2.1.2.4. モラベックのパラドックス
2.2. 手法
2.2.1. 畳み込みニューラルネットワーク（CNN）
2.2.1.1. モデル
2.2.1.1.1. ネオコグニトロン
2.2.1.1.2. LeNet
2.2.1.2. データ拡張
2.2.1.2.1. 手法
2.2.1.3. データセット
2.2.1.3.1. MNIST
2.2.1.3.2. CIFAR
2.2.1.3.3. ImageNet
2.2.1.3.4. Pasca voc
2.2.1.3.5. Food101
2.2.1.4. 画像変形
2.2.1.4.1. アフィン変換
2.2.1.5. 仕組み
2.2.1.5.1. 順伝播型
2.2.1.5.2. 画像データ
2.2.1.6. 活用
2.2.1.6.1. 画像認識
2.2.1.6.2. 物体検出
2.2.1.6.3. セグメンテーション
2.2.1.6.4. 姿勢推定
2.2.1.6.5. マルチタスク
2.2.2. 再帰型ニューラルネットワーク（RNN）
2.2.2.1. 仕組み
2.2.2.1.1. 閉路
2.2.2.1.2. 欠点
2.2.2.2. モデル・応用
2.2.2.2.1. BiRNN
2.2.2.2.2. RNN エンコーダ-ディコーダー
2.2.2.2.3. Attention
2.2.2.2.4. Transformer
2.2.2.2.5. Pre-trained Model
2.2.2.3. 活用
2.2.2.3.1. 自然言語処理
2.2.2.3.2. 自然言語理解
2.2.3. 深層強化学習
2.2.3.1. 手法
2.2.3.1.1. Q学習
2.2.3.1.2. DQN
2.2.3.1.3. マルチエージェント強化学習
2.2.3.2. 応用
2.2.3.2.1. ゲームAI
2.2.3.3. 実システムへの応用
2.2.3.3.1. ロボット制御
3. 基礎数学
3.1. 微分
3.1.1. 微分係数
3.1.2. ライプニッツの記法
3.1.3. 導関数
3.2. 線形代数
3.2.1. ベクトル
3.2.2. 行列
3.2.3. ライブラリ
3.2.3.1. NumPy
3.2.3.2. sicite-learn
3.2.3.2.1. データセット
3.2.3.3. SciPy
3.2.3.4. seaborn
3.3. 統計学
3.3.1. 記述統計
3.3.2. 推計統計
3.3.2.1. t 分布
3.3.3. 2次元データ
3.3.3.1. 相関係数
3.3.4. 統計モデル評価
3.3.4.1. 赤池情報量基準（AIC）
3.3.5. P値
4. 歴史
4.1. AIブーム
4.1.1. 第一次
4.1.2. 第二次
4.1.2.1. オントロジー研究
4.1.2.1.1. ヘビーウェイトオントロジー
4.1.2.1.2. ライトウェイトオントロジー
4.1.2.1.3. LOD
4.1.2.2. エキスパートシステム
4.1.2.2.1. Cycプロジェクト
4.1.2.2.2. MYCIN
4.1.2.2.3. DENDRAL
4.1.2.3. 問題・課題
4.1.2.3.1. 機械翻訳の難しさ
4.1.2.3.2. フレーム問題
4.1.2.3.3. シンボルグラウンディング問題
4.1.3. 第三次
4.1.3.1. ILSVR
4.1.3.1.1. ImageNet
4.1.3.1.2. ILSVRC2012
4.1.3.1.3. ILSVRC2013
4.1.3.1.4. ILSVRC2014
4.1.3.1.5. ILSVRC2015
4.1.3.1.6. ILSVRC2017
4.1.3.2. IBM社
4.1.3.2.1. Watoson（クイズ）
4.1.3.2.2. ディープブルー（チェス）
4.1.3.3. Ponanza（将棋）
4.1.3.4. DeepMind社
4.1.3.4.1. AlphaGo（囲碁）
4.1.3.5. Google社
4.1.3.6. フレーム問題の解決
4.1.3.6.1. 強いAI（汎用AI）
4.1.3.6.2. 弱いAI（特化型AI）
4.1.4. バイト単位（大きさ順）
4.1.4.1. PB(ペタバイト)
4.1.4.1.1. EB(エクサバイト)
4.1.5. 技術的特異点
4.1.5.1. レイ・カーツワイル
4.1.5.2. ヒューゴ・デ・ガリス
4.1.5.3. イーロン・マスク
4.1.5.4. オレン・エツィオーニ
4.1.5.5. ヴァーナー・ヴィンジ
4.1.5.6. スティーブ・ホーキング
5. 研究分野と応用
5.1. 研究分野
5.1.1. 音声認識
5.1.1.1. 音声データの扱い・仕組み
5.1.1.1.1. A-D変換
5.1.1.1.2. 周波数解析
5.1.1.1.3. 音
5.1.1.1.4. 音韻論
5.1.1.1.5. 音声
5.1.1.1.6. CTC
5.1.1.2. 評価尺度
5.1.1.2.1. WER （Word Error Rate）
5.1.1.2.2. CER（Character Error Rate）
5.1.1.3. モデル
5.1.1.3.1. 隠れマルコフモデル（HMM）
5.1.1.4. データセット
5.1.1.4.1. LibriSpeech
5.1.1.5. 音声認識エンジン
5.1.1.6. 応用
5.1.1.6.1. Alexa
5.1.1.6.2. Siri
5.1.1.7. 音声認識システム
5.1.1.7.1. 雑音・残響抑圧
5.1.1.7.2. 学習法
5.1.2. 画像認識
5.1.2.1. BiT
5.1.3. 音声合成
5.1.3.1. 隠れマルコフモデル
5.1.3.2. 応用
5.1.3.2.1. WaveNet
5.1.3.2.2. Tacotron2
5.1.4. 自然言語処理
5.1.4.1. 解析技術
5.1.4.1.1. 形態素解析
5.1.4.1.2. 構文解析
5.1.4.1.3. 含意関係解析
5.1.4.1.4. 意味解析
5.1.4.1.5. 文脈解析
5.1.4.1.6. 照応解析
5.1.4.1.7. 談話解析
5.1.4.1.8. トピックモデル
5.1.4.1.9. 解析技術
5.1.4.1.10. LSI
5.1.4.1.11. Word2vec
5.1.4.2. テキストデータの扱い
5.1.4.2.1. ●●n-gram
5.1.4.2.2. Bag-of-Words（BoW）
5.1.4.2.3. Bag-of-n-grams
5.1.4.3. 手法
5.1.4.3.1. 単語のベクトル化
5.1.4.3.2. モデル
5.1.4.3.3. TF-IDF
5.1.4.3.4. フロー
5.1.4.4. データセット
5.1.4.4.1. WordNet
5.1.4.4.2. SQuAD
5.1.4.4.3. DBPedia
5.1.4.5. 応用
5.1.4.5.1. Tay
5.1.4.5.2. イルダ
5.1.5. 知能テスト
5.1.5.1. 常識推論タスク
5.1.5.1.1. COPA （Choice of Plausible Alternatives）
5.1.5.1.2. WSC
5.1.6. 深層強化学習
5.1.6.1. 行動価値関数
5.1.6.1.1. Deep Q-Network （DQN）
5.2. 学習済モデルの保護
5.2.1. 技術
5.2.2. 契約
5.2.3. 法律
5.3. 応用
5.3.1. ロボティクス
5.3.1.1. 学習法
5.3.1.1.1. モンテカルロ法
5.3.1.1.2. Q学習
5.3.1.1.3. 一気通貫学習
5.3.1.1.4. マルチモーダル情報処理
5.3.2. 自動運転技術
5.3.2.1. SAE J3016
5.3.2.2. アプローチ
5.3.2.2.1. レベル1→5
5.3.2.2.2. レベル3→5
5.3.2.3. 走行許可の各国・各地域
5.3.2.3.1. アメリカ
5.3.3. ドローン
5.3.3.1. 要許可空域
5.3.3.1.1. 上空150m以上
5.3.3.2. 飛行規制
5.3.3.2.1. ヒト・モノから 30m 以内の飛行の禁止
5.4. AI技術プラットフォーム
5.4.1. Kaggle
5.4.2. Google Scholar
5.4.3. Coursera
5.4.4. arXiv
5.4.5. OpenAI Gym
5.5. 敵対的攻撃
5.5.1. 防御手法
5.5.1.1. 敵対的学習
5.5.1.2. ADM
5.5.1.3. k-WTA
6. 法律・契約・動向
6.1. 法律
6.1.1. 著作権法
6.1.1.1. 著作権人格権
6.1.1.1.1. 公表権
6.1.1.1.2. 氏名表示権
6.1.1.1.3. 同一性保持権
6.1.1.1.4. 名誉声望を害する方法での利用禁止する権利
6.1.1.2. 著作者財産権
6.1.1.3. 著作権保護対象
6.1.2. 特許法
6.1.2.1. 発明
6.1.2.2. 特許対象
6.1.3. 不正競争防止法
6.1.3.1. 営業秘密
6.1.3.1.1. 3要件
6.1.3.2. 限定提供データ
6.1.3.2.1. 3要件
6.1.4. 民法
6.1.4.1. 不作為行為責任
6.1.4.1.1. 故意
6.1.4.1.2. 過失
6.1.4.1.3. 予見可能性
6.1.5. 製造物責任法
6.1.6. 個人情報保護
6.1.6.1. 日本
6.1.6.2. EU
6.1.6.2.1. EU一般データ保護規則（GDPR）
6.1.7. 官民データ活用推進基本法
6.2. 契約
6.2.1. 開発
6.2.1.1. 演算的開発
6.2.1.1.1. ウォーターフォール開発
6.2.1.2. 帰納的開発
6.2.1.2.1. アジャイル開発
6.2.1.2.2. 開発工程
6.3. AI開発プロジェクト
6.3.1. プロセス
6.3.1.1. 全体像
6.3.1.1.1. CRISP-DM
6.3.1.1.2. MLOps
6.3.1.2. 計画
6.3.1.2.1. プロセス再設計
6.3.1.2.2. AIシステム提供方法
6.3.1.2.3. プロジェクト管理・体制構築
6.3.1.2.4. 設計思想
6.3.1.3. データ集め
6.3.1.3.1. 収集方法
6.3.1.3.2. 利用条件と制約の確認
6.3.1.3.3. 学習可能データ
6.3.1.3.4. データセットの偏りに注意
6.3.1.3.5. 外部と連携する際の役割と責任
6.3.1.4. データの加工・分析・学習
6.3.1.4.1. アノテーション
6.3.1.4.2. プライバシーへの配慮
6.3.1.4.3. 開発学習環境
6.3.1.4.4. アルゴリズムの設計調整
6.3.1.4.5. コンセプト検証(PoC)
6.3.1.5. 実装・運用・評価
6.3.1.6. クライシスマネジメント
6.4. 動向
6.4.1. 倫理リスクへの取組
6.4.1.1. LAWS
6.4.1.1.1. FLI
6.4.1.2. アメリカ
6.4.1.2.1. 2016/10
6.4.1.2.2. 2016/12
6.4.2. クライシスマネジメント
6.4.2.1. ガイドライン
6.4.2.1.1. 日本
6.4.2.1.2. アメリカ
6.4.2.1.3. 欧州委員会
6.4.2.1.4. 中国
6.4.2.1.5. その他団体
6.4.2.2. 情報公開
6.4.2.2.1. 透明性レポート
6.4.3. 各国製造業デジタル化の取組
6.4.3.1. ドイツ
6.4.3.1.1. インダストリー4.0(2011)
6.4.3.2. 中国
6.4.3.2.1. 中国製造2025(2015)
6.4.3.3. タイ
6.4.3.3.1. Thailand 4.0(2015)
6.4.3.4. インドネシア
6.4.3.4.1. Making Indonesia 4.0(2019)
6.4.3.5. マレーシア
6.4.3.5.1. Industry4WRD
6.4.4. 倫理的・法的・社会的な課題(ESLI)
6.5. 国際会議
6.5.1. ICJI（人工知能技術全般）
6.5.2. ICML(機械学習)
6.5.3. NeurIPS（ニューラルネットワーク技術）
6.5.4. CVPR（画像認識）
6.5.5. ICLR(表現学習)
6.6. 先進国AI研究開発戦略
6.6.1. 日本
6.6.1.1. 国家戦略
6.6.1.1.1. 新産業構造ビジョン
6.6.1.1.2. AI戦略2019
6.6.1.2. 民間戦略
6.6.1.2.1. 日本経済団体連合会
6.6.2. イギリス
6.6.2.1. RAS 2020 戦略
6.6.3. アメリカ
6.6.3.1. A Strategy for American Innovation（2015）
6.6.4. EU
6.6.4.1. Coordinated Plan on Artificial Intelligence (2018)
6.6.5. ドイツ
6.6.5.1. デジタル戦略2025
6.6.6. 中国
6.6.6.1. インターネットプラスAI3年行動実施法案(2016)
6.6.6.2. 次世代人工知能発展計画(2017)