1. データサイエンスに関するリテラシーレベルの課題に取り組むことができる。
2. データエンジニアリングに関するリテラシーレベルの課題に取り組むことができる。
3. AIに関するリテラシーレベルの課題に取り組むことができる。
4. データサイエンスに関する応用基礎レベルの課題に取り組むことができる。
5. データエンジニアリングに関する応用基礎レベルの課題に取り組むことができる。
6. AIに関する応用基礎レベルの課題に取り組むことができる。
7. 数理・データサイエンス・AIに関する課題を通じて、創造力や課題解決能力を発揮できる。
概要:
AI・データサイエンスⅠでは、第4次産業革命、Society5.0、データ駆動などに関わる現在進行中の社会変革に対応するために必要不可欠な知識・技能、ならびに、それらを実データを用いた課題へ応用するための能力を修得します。データサイエンス、データエンジニアリング、AIに関するリテラシーレベルから応用基礎レベルの知識・技能をカバーし、自らの専門分野において数理・データサイエンス・AIを応用するための大局的な視点を身に付けます。実データ・実課題など社会での実例を題材として演習や課題を通じて、数理・データサイエンス・AIの適切な活用法を学び、実践的なスキルを修得します。
授業の進め方・方法:
座学と演習を組み合わせた形で授業を進めます。座学では、知識・技能の修得と理解等を行い、CBT等を用いた教育成果の測定を行います。演習は、各自のノートPCを用いて行い、演習の成果物の提出をします。提出された演習の成果物をもとに、教育成果の測定を行います。毎回の授業で学修成果の測定を行い、測定された教育成果と学修成果をもとに適切なフィードバックを行うことがあります。
注意点:
・毎週、各自のノートPCを持参してください。
・定期試験は実施せず、授業で実施されるCBT等の試験と演習課題の成果物により教育成果を測定し、評価します。
|
|
週 |
授業内容 |
週ごとの到達目標 |
| 前期 |
| 1stQ |
| 1週 |
数理データサイエンスAIリテラシー(1)
／Pythonの開発環境と実行環境の構築(1) |
社会における数理データサイエンスの重要性について理解する。／Google Colaboratoryを利用したPythonの開発環境と実行環境の構築ができる。
|
| 2週 |
数理データサイエンスAIリテラシー(2)
／Pythonの開発環境と実行環境の構築(2) |
データの種類とデータサイエンスの活用について理解する。／Jupyter Notebookを利用したPythonの開発環境と実行環境の構築ができる。
|
| 3週 |
数理データサイエンスAIリテラシー(3)
／Pythonプログラミング(1) |
数理データサイエンスAIの技術と方法について理解する。／Pythonでデータ・AI利活用に必要な基礎的なプログラムを作成することができる。
|
| 4週 |
数理データサイエンスAIリテラシー(4)
／Pythonプログラミング(2) |
データサイエンスAI活用の現場と最新動向について理解する。／Pythonでデータ・AI利活用に必要な基礎的なプログラムを作成することができる。
|
| 5週 |
数理データサイエンスAIリテラシー(5)
／Pythonプログラミング(3) |
AIが社会に受け入れられるために考慮すべき論点について理解する。／Pythonでデータ・AI利活用に必要な基礎的なプログラムを作成することができる。
|
| 6週 |
数理データサイエンスAIリテラシー(6)
／Pythonプログラミング(4) |
データ駆動社会とデータサイエンスの関連性並びにAIの歴史と活用領域の広がりについて理解する。／Pythonでデータ・AI利活用に必要な基礎的なプログラムを作成することができる。
|
| 7週 |
データサイエンスAIのための数学：
確率(1) |
データ・AI利活用に必要な確率の基礎について理解する。Pythonでデータ・AI利活用に必要な基礎的なプログラムを作成することができる。
|
| 8週 |
データサイエンスAIのための数学：
確率(2) |
データ・AI利活用に必要な確率の基礎について理解する。Pythonでデータ・AI利活用に必要な基礎的なプログラムを作成することができる。
|
| 2ndQ |
| 9週 |
データサイエンスAIのための数学：
記述統計(1) |
典型的なデータの種類について理解する。ヒストグラムにより、データを可視化することができる。
|
| 10週 |
データサイエンスAIのための数学：
記述統計(2) |
データ・AI利活用に必要な記述統計の基礎について理解する。データの平均値、中央値、最頻値を計算することができる。
|
| 11週 |
データサイエンスAIのための数学：
記述統計(3) |
データ・AI利活用に必要な記述統計の基礎について理解する。データの分散と標準偏差を計算することができる。
|
| 12週 |
データサイエンスAIのための数学：
記述統計(4) |
データ・AI利活用に必要な記述統計の基礎について理解する。箱ひげ図により、データを可視化することができる。
|
| 13週 |
相関分析・線形単回帰分析(1) |
データ・AI利活用に必要な記述統計の基礎について理解する。散布図により、データを可視化することができる。Pythonで相関係数を計算できる。
|
| 14週 |
相関分析・線形単回帰分析(2) |
データ・AI利活用に必要な記述統計の基礎について理解する。Pythonで相関行列と回帰直線を計算することができる。
|
| 15週 |
相関分析・線形単回帰分析(3) |
データ・AI利活用に必要な記述統計の基礎について理解する。Pythonで基本統計量を計算することができる。
|
| 16週 |
|
|
| 後期 |
| 3rdQ |
| 1週 |
データの可視化(1) |
可視化手法の特性について説明できる。適切な可視化手法を選択することができる。線グラフにより、データを可視化することができる。
|
| 2週 |
データの可視化(2) |
棒グラフにより、データを可視化することができる。外部から読み込んだ実データを可視化することができる。
|
| 3週 |
データ加工処理：時系列データ |
収集した実データの加工方法を理解する。Pythonで時系列データの加工ができる。
|
| 4週 |
表形式データの加工処理(1) |
収集した実データの加工方法を理解する。Pythonで表形式データの加工ができる。
|
| 5週 |
表形式データの加工処理(2) |
収集した実データの加工方法を理解する。Pythonで表形式データの加工ができる。
|
| 6週 |
表形式データの加工処理(3) |
収集した実データの加工方法を理解する。Pythonで表形式データの加工ができる。
|
| 7週 |
AI活用アイデア創出ワークショップ(1) |
AIを活用した新規事業の背景と目的、基本的な考え方について理解する。責任あるAIの基本概念について理解する。
|
| 8週 |
データサイエンスAIのための数学：確率(3)
生成AI入門(1) |
データ・AI利活用に必要な確率の基礎について理解する。生成AIの基礎について理解する。
|
| 4thQ |
| 9週 |
データサイエンスAIのための数学：確率(4)
生成AI入門(2) |
データ・AI利活用に必要な確率の基礎について理解する。生成AIの基礎について理解する。
|
| 10週 |
AI活用アイデア創出ワークショップ(2) |
AIを活用した新規事業に関連する課題の探索と評価方法、解決策の発想と評価方法について理解する。AIを活用した新規事業のアイデアを創出することができる。
|
| 11週 |
データサイエンスAIのための数学：
確率(5) |
データ・AI利活用に必要な確率の基礎について理解する。Pythonでデータ・AI利活用に必要な基礎的なプログラムを作成することができる。
|
| 12週 |
AI活用アイデア創出ワークショップ(3) |
AIを活用した新規事業に関連するツール活用技術として、アイデアの技術的課題、AIビジネスで活用される必要技術、それらの技術の選定について理解する。
|
| 13週 |
機械学習に向けたデータの加工処理(1) |
収集した実データの加工方法を理解する。Pythonで機械学習に向けたデータの加工処理ができる。
|
| 14週 |
機械学習に向けたデータの加工処理(2) |
収集した実データの加工方法を理解する。Pythonで機械学習に向けたデータの加工処理ができる。
|
| 15週 |
AI活用アイデア創出ワークショップ(4) |
AIを活用した新規事業に関連するビジネスアイデアのピッチ・プレゼンテーションについて理解する。思考型のピッチ・プレゼンテーションについて理解し、実践できる。ピッチ・プレゼンテーションに対するフィードバックとその反映について理解する。
|
| 16週 |
|
|