概要:
自身の専門分野とは異なる他専門分野に関する演習や実験を通して，幅広い工学的基礎知識・技術・視野を身に付ける．
また，幅広い観点において工学的問題を捉える感覚や，専門分野の異なる人との協働能力を養うことを目的に，各専門系の枠組みを超えた班編成においてグループワークを行う．
上記に加えて，現代社会に必要な情報リテラシー，技術者に必要な倫理観，自身のキャリア形成に必要な能力や態度を身に付けることを目的とする．
授業の進め方・方法:
通常，実験や演習等を毎週行う。
授業は基本的にグループ単位での演習や実験を行う．
前期は，各分野ごとに【課題：80%】【取組み：20%】として100点法で評価する．
後期については【課題：40%】【発表：40%】【取組み；20%】として100点法で評価する．
満点が100点となるように，上記の評価点に重みづけをして合算したものを最終評価点とする．
なお，正当な理由がなく【ICT教育】【他系専門演習】【グループワーク】の各分野において60点未満の評価点が付いた場合，全体の評価点を60点未満とする．
注意点:
・欠席する／した場合，必ず演習を担当する担当教員に連絡すること．また，必ず担当教員と面会の上で，欠席時の課題などへの対応について指示を受けること（面会を求める場合，担当教員に対してメールなどにより事前に面会の予約を行うこと）．
・学習にあたっては，自己のキャリアについて常に意識し，将来の進路選択を行う際の参考にすること．
・ICT活用能力を高めるため，Blackboardに解答する簡単な小テストやアンケートを課すことがある．
・授業時間以外も活用して，グループで調査研究や製作活動に取り組むことが必要となる項目もある．
・グループ学習では，自分の役割を見つけ，グループ活動に積極的に参加すること．
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
ガイダンス |
科目の目的を理解できる．
|
| 2週 |
他系専門演習（1） |
他系専門内容についての知識を身に付けることができる．
|
| 3週 |
他系専門演習（2） |
他系専門内容についての知識を身に付けることができる．
|
| 4週 |
他系専門演習（3） |
他系専門内容についての知識を身に付けることができる．
|
| 5週 |
他系専門演習（4） |
他系専門内容についての知識を身に付けることができる．
|
| 6週 |
情報セキュリティ教育 |
社会や各専門分野において存在する情報セキュリティリスクを理解できる．
|
| 7週 |
AI・データサイエンス（1） |
現代社会におけるデータサイエンスの重要性について理解できる．
ヒストグラム・度数分布表について理解できる．pythonを用いて度数分布表とヒストグラムを作成できる．
|
| 8週 |
Ai・データサイエンス（2） |
データの「大きさ」を示す代表値（平均値，中央値，最頻値）について理解できる．
データの「散布度」を示す代表値（分散，標準偏差，四分位偏差など）について理解できる．
pythonを用いて，データから上記の値を取得できる．pythonで箱ひげ図を作成できる．
|
| 2ndQ |
| 9週 |
AI・データサイエンス（3） |
「相関分析」と「回帰分析」について理解できる．
pythonを用いて，散布図（相関係数の算出を含む），相関行列を作成できる．
pythonを用いて，線形回帰を行い，散布図上に回帰直線を引くことができる．
|
| 10週 |
AI・データサイエンス（4） |
人工知能（AI）の概要，開発の歴史（「推論と探索」，エキスパートシステムなど）について理解できる．
AI，機械学習，ディープラーニングの区分について理解できる．
「教師あり学習」について理解できる．pythonにて，線形回帰プログラムを作成できる．
「Hold-out法」，「汎化性能」，「損失関数」について理解できる．
|
| 11週 |
AI・データサイエンス（5） |
多項式回帰について理解できる．過学習について理解できる．バイアス，バリアンス，ノイズについて理解できる．
「教師あり学習」による分類モデル（決定木，SVM，ロジスティック回帰）について理解できる．
pythonにて，上記分類モデルのプログラムを作成することができる．
|
| 12週 |
AI・データサイエンス（6） |
アンサンブル学習について理解できる．pythonにて，ランダムフォレストを用いた分類モデルを作成できる．
「教師なし学習」について理解できる．主成分分析とk-meansクラスタリングについて理解できる．
pythonにて，主成分分析とk-meansクラスタリングのプログラムを作成することができる．
|
| 13週 |
AI・データサイエンス（7） |
ニューラルネットワーク開発の歴史と，ディープラーニングに繋がる技術の概要（誤差逆伝搬法，勾配法，オートエンコーダなど）について理解できる．
pythonにて，ニューラルネットワークを用いた分類モデルを構築できる．
|
| 14週 |
AI・データサイエンス（8） |
pythonにて，DNNを用いた手書き数字認識プログラムを作成できる．
pythonにて，CNNを用いた画像認識プログラムを作成できる．CNNについて（畳み込み，プーリングという操作について）理解できる．
|
| 15週 |
キャリア教育 |
ＯＢの講演聴講などをもとに，自身の将来像について考えることができる．
|
| 16週 |
|
|
| 後期 |
| 3rdQ |
| 1週 |
ガイダンス
PBL学習（１）
-グループ分けと課題テーマに関する学習- |
後期の学習内容について把握できる
与えられた課題テーマの背景・目的・意義について理解できる．
|
| 2週 |
PBL学習（２）
-情報調査もしくは必要知識・技能に関する学習- |
主体的に情報調査もしくは必要知識・技能の学習に取り組むことができる．
|
| 3週 |
PBL学習（３）
-情報調査もしくは必要知識・技能に関する学習- |
主体的に情報調査もしくは必要知識・技能の学習に取り組むことができる．
|
| 4週 |
PBL学習（４）
-課題内容の決定- |
与えられたテーマに対して，チームとして取組むべき内容について合意形成できる．
|
| 5週 |
PBL学習（４）
-グループワークおよびディスカッション- |
課題内容に対する作業および議論に主体的に参加することができる。
専門分野の異なるメンバーと議論を重ねながら，チームとしての課題解決案を創生できる．
|
| 6週 |
PBL学習（５）
-グループワークおよびディスカッション- |
課題内容に対する作業および議論に主体的に参加することができる。
専門分野の異なるメンバーと議論を重ねながら，チームとしての課題解決案を創生できる．
|
| 7週 |
PBL学習（６）
-グループワークおよびディスカッション- |
課題内容に対する作業および議論に主体的に参加することができる。
専門分野の異なるメンバーと議論を重ねながら，チームとしての課題解決案を創生できる．
|
| 8週 |
キャリア教育
-ジョブトークⅡ- |
自らの職業観・勤労観を意識した上で自身の将来像について考え，その実現に向けた自己分析ができる．
企業活動を様々な観点から捉えることができる．
|
| 4thQ |
| 9週 |
PBL学習（７）
-発表資料作成に関する学習および発表準備- |
これまでの議論・作業の内容を，まとめることができる．
言葉・図表などを用いて，主観や常識ではなくデータや情報に基づいた論理的な説明ができる発表資料を作成できる．
|
| 10週 |
PBL学習（８）
-プレゼンテーション手法に関する学習および発表準備- |
言葉・図表などを用いて，主観や常識ではなくデータや情報に基づいた論理的な説明ができる発表資料を作成できる．
聞き手を意識した発表について理解できる．
|
| 11週 |
PBL学習（９）
-発表会- |
聞き手を意識した，分かり易く論理的な説明を心掛けて発表することができる．
立場・考え方の異なる教職員や学生と意見交換することができる．
|
| 12週 |
PBL学習（１０）
-レポート作成に関する学習とレポートの作成- |
指定された構成・書式に基づいたレポート作成ができる．
グループでの作業・議論の結果をもとに，自分の言葉でアイデアや作業結果を報告することができる．
|
| 13週 |
PBL学習（１１）
-レポート作成- |
レポート内容に関してグループメンバー間で意見交換や校正を行い，他者の意見を踏まえた上でレポートを仕上げることができる．
|
| 14週 |
技術者倫理教育 |
技術者・企業が社会に対して負っている責任を理解する．
|
| 15週 |
ポートフォリオ |
自らを省みて，今後の自分の取り組みなどについて考えることができる．
|
| 16週 |
|
|