私自身は，フーリエ解析的手法に基づく流体方程式の数学解析・乱流物理の研究を長年進めております。しかし「乱流などの非線形現象の研究を深めるためには，深層学習の数理構造の理解が欠かせない」という見解に至り，今現在，深層学習を使った乱流研究を精力的に進めております。
一方で，長年，ブラックボックスと言われ続けている「深層ニューラルネットワーク自体のダイナミクス」に対する数学論文も書き始めており，深層学習そのものの数理構造解明にも携わり始めています。
微分積分と線形代数はどの分野にも通じる必要不可欠な教養であり，特に，深層学習を進めるにあたっての基礎科目となります。また，深層学習の数理構造を深く理解するためには，ルベーグ積分（解析学Ⅰ・Ⅱ）も必須となることでしょう。
ゼミナールでは，時系列データに対する深層学習（RNN・遅れ座標系のリザバーコンピューティング）やARモデル等を扱います。プログラミング言語としてpythonを使います。ゼミナール時に（研究に直結するような）課題を段階的に出します。テクニカルな難しさよりも，深層学習の数理構造の段階的理解を目指します。また，深層学習の基礎（画像認識とリザバーコンピューティング）を講義するので，その履修を必須とします。